IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN"

Transkripsi

1 SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas, Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember, Kampus Keputh, Suollo, Surabaya 60111, Indonesa Emal : fazal@s.ts.ac.d 1), mahendra_w@ts-sby.edu 2), rully@ts-sby.edu 3) Abstra Permasalahan tentang pengelolaan aryawan dan peerja merupaan masalah yang dalam oleh setap perusahaan dan organsas dengan banya peerja. Permasalahan n serngal membuat para pengambl eputusan esultan arena banyanya peerja yang merea elola serta varabelvarabelnya sepert varas ecaapan, baya erja lembur, baya ontra, dan lan lan. Untu mengatur peerja dengan ba dperluan suatu sstem penduung eputusan yang menganalss mengena varabel-varabel yang berpengaruh pada peerja dan membangun sstem optmas pada tga aspe yatu optmas baya lembur dan sub ontra, optmas pengaloasan berdasar ecaapan, dan optmas pengaloasan berdasar esetmbangan beban erja. Pada paper n, aan dterapan suatu formulas matemats permasalahan optmas lner nteger dengan banya fungs tujuan untu permasalahan pengaloasan peerjaan dan beban erja. Hasl ahr aan detahu ombnas peerja dan peerjaan yang dngnan berdasar varas varabel bobot yang telah dtentuan. Kata unc : Pengaloasan peerjaan, Pemrograman banya fungs tujuan, pemrograman nteger, pemrograman lner, optmas 1. PENDAHULUAN Ketdahadran peerja yang ta terjadwal adalah suatu masalah dalam perusahaan atau organsas yang sangat rumt dan sampa searang mash menjad permasalahan d berbaga ndustr. D beberapa rset baru-baru n, sepert CCH Unscheduled Absence Survey (Busness Owner s Toolt, 2008), menyebutan bahwa tda hanya pada bsns besar, pada bsns eclpun permasalahan n sangat mengganggu seal dan merugan. Sebaga contoh perusahaan dengan peerja aan mengalam erugan tahunan antara $400 - $700. Jad apabla ada sepuluh juta peerja dalam pereonoman negara sedang berembang, maa n aan mengabatan erugan mencapa 100 juta dolar. Permasalahan etdahadran peerja dsebaban oleh beberapa fator sepert etdapuasan dalam beerja, elebhan beban erja, dan lan-lan (Apsley Recrutment, 2007). Permasalahan n bersumber pada esalahan dalam penugasan peerjaan. Msalnya suatu peerjaan atau tugas dberan epada peerja yang tda berualfas mengerjaannya atau suatu peerjaan mudah dberan epada peerja yang sangat berualfas. Hal tersebut memcu ecemburuan, etdatertaran dalam beerja, dan lan-lan. Cara untu mengatas permasalahan datas sangat bermacam-macam, sepert yang telah dpaparan pada Apsley Recrutment (2007). Cara pertama adalah pendeatan organsas terhadap etdahadran yang melput onsep eadlan dan onsstens, memberan tolerans rendah tetap menduung peerja sat, layanan onselng, dll. Cara yang edua memberan prosedur pembertahuan bag sapa yang absen arena sat melput sapa, apan, bagamana format yang dterma, dan apan memberan but surat sat dar doter. Cara yang etga adalah memberan aturan yang jelas tentang tanggung jawab peerja atas etdahadrannya. Cara yang terahr adalah prosedur dan proses tnda edsplnan. Dalam hal n pengelolaan peerjaan sangat pentng arena nvestas untu pencegahan jauh lebh ba dar pada baya untu memperba. Mengaloasan peerjaan dan beban erja adalah salah satu perencanaan dalam pengelolaan peerjaan. Kesalahan pada pengelolaan n aan mengabatan beberapa dampa sepert ebosanan para peerja atau aryawan, etdasembangan beban erja, 13

2 SISFO-Jurnal Sstem Informas membenganya baya subontra dan baya lembur, dan sebaganya. Pengelolaan n melbatan banya seal varas ecaapan atau emampuan yang aan drepresentasan secara multdmens dmana setap dmens aan mewal satu ecaapan yang dml oleh peerja maupun ecaapan yang dbutuhan untu mengerjaan suatu peerjaan. Tap ecaapan yang dml oleh peerja dan ebutuhan ecaapan untu melauan peerjaan meml tngat tersendr. Dmana setap tngat dapat merepresentasan pengalaman maupun tngat penddan yang sudah dcapa oleh seorang peerja. Tujuan dar adanya tngatan tersebut adalah memnmalan perbedaan antara tngat ecaapan yang dbutuhan peerjaan dengan tngat ecaapan peerja serta untu merataan beban antara seluruh tenaga erja. Pada asus-asus tertentu pengelolaan n dapat doptmas dengan memberan plhan untu beerja secara lembur atau mengontraan peerjaan epada pha lan. Kasus n terjad msal dalam sebuah perusahaan yang mash mempunya ssa peerjaan yang tda mampu dlauan peerjanya. Aloas peerjaan yang dontraan maupun yang dlauan dalam watu lembur harus dmnmalsr sedeman rupa sehngga dapat menghemat pengeluaran perusahaan dan menngatan efsens peerja. Untu mengatas permasalahan semacam n dbutuhan suatu model yang mampu mempertmbangan berbaga aspe tujuan sepert memnmalan baya dan pertmbanganpertmbangan lan. Eselt dan Maranov (2008) telah membuat sebuah model untu mengaloasan peerjaan dan beban erja dengan mempertmbangan beberapa aspe sepert baya, emampuan relatf ta terpaa, dan penympangan pembagan beban erja. Permasalahan tersebut dselesaan dengan pemrograman lner dengan banya tujuan dengan ten pembobotan. Paper n dsusun untu mengmplemen-tasan formulas permasalahan optmas lner nteger dengan banya fungs tujuan pada permasalahan pengaloasan peerjaan dan beban erja. Implementas n dtujuan untu menganalsa pengaruh peneanan pada baya lembur dan baya subontra, tngat emampuan relatf ta terpaa, dan esembangan terhadap aloas beban erja. menyangut hanya pada satu ndvdu tu sendr sedangan fator bersama lngupnya dalam suatu perusahaan atau organsas (Eselt dan Maranov, 2008). Beberapa permasalahan dar fator ndvdu adalah ejenuhan atas peerjaan dan beban erja lannya. Sedangan fator bersama melput perbedaan beban erja. Beban erja peerja adalah jumlah watu beerja setap peerja. Beban erja dhtung berdasaran jumlah semua watu yang dbutuhan tap peerjaan dal perulangannya pada tap peerjaan. Kejenuhan dalam peerjaan dpengaruh oleh dua hal, yang pertama varas atau pengulangan peerjaan, dan tantangan yang ada pada peerjaan tu sendr. Untu mengatur varans peerjaan, dberan batasan yang aan membatas perulangan peerjaan yang boleh derjaan. Dengan adanya batasan n varansnya aan menngat. Sedangan tantangan dapat dformulasan sebaga jara atau emungnan atas pemetaan antara emampuan peerja dan ebutuhan peerjaan. Gambar 1 memetaan peerja dan peerjaan yang dbatas oleh dua ecaapan yang dbutuhan. Peerja yang dmungnan dapat melauan peerjaan dplh emudan dtentuan jara terdeat dalam pemetaan tersebut. Peerja yang meml jara terdeat aan mendapatan peerjaan tersebut. Jara dsn merupaan rata-rata emampuan relatf ta terpaa dar ecaapan seorang peerja. Kecaapan yang dpaa dsn adalah ecaapan yang dbutuhan oleh suatu peerjaan arena dalam peneltan n dgunaan pendeatan tas-centered sepert yang dusulan oleh Eselt dan Maranov (2008). 2. TINJAUAN PUSTAKA Fator-fator yang mempengaruh epuasan erja dapat dbag menjad dua yatu fator ndvdual dan fator bersama. Fator ndvdu Gambar 1. Ruang Kecaapan Gambar 1 adalah ruang ecaapan dmana terdapat 2 dmens ecaapan (sll 1 dan sll 14

3 SISFO-Jurnal Sstem Informas 2), tga peerja (A, B, dan C), dan 12 peerjaan (1-12). Pada gambar datas terdapat 4 peerjaan yang berada dluar lngup ecaapan peerja A, B, dan C. Peerjaan tu adalah 7, 8, 9, 12. Karena peerjaan tersebut berada dluar lngup, maa peerjaan tu tda dapat daloasan e peerja manapun. Peerjaan sepert n dsebut peerjaan yang nfeasble atau peerjaan yang ta mungn teraloas. Danggap jara yang dml oleh peerjaan sepert n adalah tda ada atau blangan osong(φ ). Sedangan peerjaan yang lan tergolong feasble mespun tda semua peerja mampu mengerjaannya darenaan meml ecaapan yang berbeda-beda. Peerja A mampu mengerjaan peerjaan 11, 2, 1, 3, dan 4. Peerja B mampu mengerjaan peerjaan 10, 2, 1, 3, 4, dan 5. Peerja C mampu mengerjaan peerjaan 1, 3, 4, 5, dan 6. Dengan pola ecaapan datas dapat ta ambl suatu contoh asus sepert berut n. 1. Peerjaan 1, 2, 3, 4, 10, dan 11 daloasan epada peerja A dan peerjaan 4, 5, dan 6 epada peerja C. Aloas berut menysaan peerja B dmana da tda beerja sama seal sehngga penugasan dan aloas n tda dngnan mespun hal tu mungn. 2. Peerjaan 1 yang daloasan untu peerja A buan merupaan eputusan yang ba arena ecaapan peerja A sangat jauh lebh tngg dbandng ecaapan yang dbutuhan oleh peerjaan 1 sehngga penugasan n mengabatan ebosanan pada peerja dan harus ta hndar. Solus yang lebh ba nampa pada penugasan dan pengaloasan peerjaan 1 e peerja B, dmana ecaapan peerja B lebh tngg namun mash lebh rendah dbandng peerja A. Kasus-asus datas adalah contoh bagan permasalahan yang aan dselesaan. 3. MODEL OPTIMASI Model delompoan menjad tga bagan yatu varabel eputusan, fungs tujuan dan batasan. Varabel eputusan merupaan varabel yang bers nla yang aan dcar dalam optmas berut. Fungs tujuan bers fungs memnmalan tga tujuan yang ngn dcapa dapam proses optmas. Sedangan batasan bers tujuh batasan yang dgunaan dalam model n selanjutnya. 3.1 Varabel Keputusan Pada model n terdapat beberapa varabel eputusan sebaga berut x x adalah jumlah berapa al suatu peerjaan dmana A dtugasan epada peerja. W W adalah beban erja ndvdu peerja. o o adalah watu lembur sebenarnya dar peerja. s s adalah varable nteger yang nlanya adalah berapa al peerjaan dsubontraan. W W adalah beban erja rata-rata seluruh peerja yang ada. w dan w dan w w adalah etdasembangan postf dan negatf beban erja dar W W. Penympangan postf menunjuan bahwa peerja lebh sbu dar pada peerja yang lan, sedangan penympangan negatf menunjuan rendahnya atvtas seorang peerja. Keduanya dapat djadan ndator etdaadlan dalam penugasan peerjaan epada peerja. 3.2 Fungs Tujuan Fungs tujuan yang aan dselesaan melput tga bagan. Ketga bagan tersebut ada emungnan salng bertentangan nla optmalnya. Oleh arena tu, dusulan menggunaan optmas menggunaan lner nteger dengan banya fungs tujuan untu menyelesaan permasalahan yang ada. Rumusan fungs tujuan dalam model peneltan n sebaga berut Memnmalan Baya Mn z C = p = 1 c o m = 1 ˆ (1) c s Fungs tujuan z C bertujuan memnmalan baya yang deluaran untu menyelesaan peerjaan. Dasumsan ada dua baya yatu baya lembur dan baya subontra. Sedangan baya upah peerja regular tda dhtung dsn 15

4 SISFO-Jurnal Sstem Informas arena danggap nlanya tetap dan tda berubah apapun yang terjad. Baya lembur dhtung dar berapa jumlah berapa watu lembur peerja dal baya lembur tap peerja untu seluruh peerja. Sedangan baya subontra dhtung dar teras berapa al peerjaan dsubontraan dalan bayanya tap peerjaan. Kedua baya djumlahan emudan ddapatan baya tetapyang deluaran untu peerja lembur dan peerjaan yang dsubontraan Memnmalan Tngat Kebosanan Mn z D = A p t d = 1 x (2) Fungs tujuan z bertujuan memnmalan D tngat emampuan relatf ta terpaa peerja. Kemampuan relatf ta terpaa peerja aan mempengaruh tngat ebosanan peerja sepert djelasan pada subbab sebelumnya. Rumusan pada fungs tujuan n juga mengutsertaan varabel x dan t yang memungnan untu danalss sealgus sebaran seluruh peerjaan epada seluruh peerja selan penghtungan terhadap jara / emampuan relatf ta terpaa peerja terhadap peerjaan yang dsmbolan dengan d. Analss dlauan dengan batasan peerjaan memungnan untu peerja yang dsmbolan dengan A Memnmalan Penympangan Beban Kerja Mn E = c w z c w (3) Fungs tujuan Z bertujuan untu E memnmalan penympangan yang terjad arena etdasetmbangan watu beban erja yang dberan epada setap peerja. Dalam aplasnya, fungs tujuan n mengutsertaan baya yang harus deluaran abat penympangan tersebut. Baya dsn dtentuan oleh pengambl eputusan berdasaran asums yang berbeda-beda tergantung pengambl eputusan. Z dhtung dar jumlah penympangan postf E tap peerja dal baya atas penympangan postf emudan dtambahan dengan jumlah penympangan negatf tap peerja dal baya atas penympangan negatf. Dar etga fungs tujuan datas emudan ddapatan satu fungs tujuan menyeluruh yang dhtung dengan menjumlahan etga fungs tujuan-fungs tujuan tersebut dan dserta bobot sepert yang djelasan d subbab sebelumnya. Bobot pada masng-masng fungs tujuan mengndasan peneanan pada salah satu fungs tujuan sesua permntaan pengambl eputusan. Berut n adalah hasl penggabungan etga fungs tujuan. Memnmalan z = γ α p = 1 c o m cˆ s = 1 p β tdx (4) A = 1 c w c w Dengan α, β, γ dtentuan untu melauan pembobotan terhadap ecenderungan optmas tujuan tertentu. 3.3 Batasan Batasan yang dusulan dalam model n ada tujuh. Berut n adalah penjelasan-penjelasan batasan tersebut Batasan 1 t x o, (5) Batasan n membatas watu erja reguler untu tap peerja pada jam dan menghtung watu lembur yang dperluan oleh peerja yang sama. Beban erja tap peerja tda boleh melampau watu erja reguler djumlahan dengan watu lembur. Telah detahu sebelumnya bahwa beban erja = W t x yatu watu yang dperluan = untu mengerjaan peerjaan pada har yang sama oleh peerja. Ja beban erja nlanya dbawah batas, maa o dapat dasumsan bernla nol. Hal tersebut mungn terjad eta ontrbus baya pada fungs tujuan postf (ba) Batasan 2 x s = f, (6) Batasan n berfungs untu memastan bahwa setap peerjaan derjaan tepat sejumlah ba oleh peerja reguler maupun dontraan. Dmana f adalah freuens atau berapa al sebuah peerjaan harus dlauan dalam 1 har. Freuens tersebut tetap dan peerjaan harus f 16

5 SISFO-Jurnal Sstem Informas tepat dlasanaan sebanya freuens tersebut untu semua peerjaan Batasan 3 = S q x,q, b q (7) Batasan n membatas jumlah perulangan seorang peerja dapat melauan peerjaan pada elas yang sama. Peerjaan yang samadelompoan dalam satu umpulan S. Pada sebagan besar onds lapangan sangat jarang onds umpulan S bers lebh dar satu peerjaan. Jad dalam pratenya umpulan n bsa dabaan. b q adalah jumlah masmum berapa al peerja dapat dtugasan untu mengerjaan peerjaan pada satu elas S. Mespun batas n dmunculan untu mencegah ebosanan, tetap batas tersebut tda bsa datur bernla sangat ecl dalam ranga untu memperecl perulangan. Hal tersebut darenaan perulangan aan mempertahanan ecaapan yang dml peerja untu mengerjaan peerjaan pada elas tersebut. Ja batasnya sangat ecl dmungnan peerja aan ehlangan ecaapannya. Ja batas sangat besar, ecaapan aan tetap terlath namun peerja menjad bosan Batasan 4 o, b q q (8) Batasan n membatas jam lembur peerja reguler. Bagamanapun juga, watu lembur peerja reguler harus dbatas. Oleh arena tu, telah djelasan datas tentang b yatu batas masmal peerja mengambl jam lembur. q o adalah varabel blangan pecahan jad watu lembur dapat dambl pecahan artnya peerja tda harus tepat mengambl 1 atau 2 jam erja lembur tap dapat juga mengambl 1,3 jam dan seterusnya. Batasan n berlau untu semua peerja Batasan 5 W w w = W, (9) Batasan nomor lma menghtung penympangan beban erja dan beban erja rata-rata untu setap peerja. Nla beban erja peerja aan djumlahan atau durangan dengan nla penympangan agar nlanya sama dengan beban erja rata-rata Batasan 6 x, Ζ, s (10) Batasan n memastan bahwa varabel x (matr sebaran berapa al peerjaan dtugasan epada peerja ) dan s (berapa al peerjaan dsubontraan) bernla nteger atau bulat untu setap peerjaan dan setap peerja Batasan 7 w w, 0. (11) Batasan terahr n memastan nla w dan w lebh besar atau sama dengan nol. Nla w dan nol. Keta maa w salah satunya atau eduanya harus w bernla lebh besar dar nol w harus bernla nol dan begtu sebalnya atau eduanya bsa bernla nol eta beban erja suatu peerja sama dengan nla beban erja rata-rata. Batasan n berlau untu semua peerja. 4. SKENARIO UJICOBA Ujcoba model melput beberapa senaro dan penentuan varabel be. Ujcoba tersebut melput: 4.1 Mencar Rentang Nla be Sebelum masu e senaro terlebh dahulu menentuan nla be yatu berapa al seorang peerja dapat melauan peerjaan yang sama. Dalam ujcoba n varabel bobot d set pada onds sembang. Be dmula dengan nla Senaro pertama Senaro 1 aan melauan analss baya lembur dan subontra dengan perubahan varabel bobot alfa, beta serta gamma pada nla varabel be antara 5, 10, dan 20. Kedua baya ba subontra maupun baya lembur mempunya ecenderungan yang berbandng terbal. Apabla baya subontra na, maa baya lembur cenderung turun. 4.3 Senaro Kedua Senaro 2 aan melauan analss emampuan relatf ta terpaa dan tngat ebosanan dengan perubahan varabel bobot alfa, beta serta gamma pada nla varabel be antara 5, 10, dan 20. Penurunan sampa nla nol n terjad darenaan terbatasnya emampuan peerja untu menampung suatu elas peerjaan. Nla rata-rata emampuan relatf ta terpaa nol artnya bahwa emampuan peerja dan emampuan yang dbutuhan oleh peerjaan 17

6 SISFO-Jurnal Sstem Informas sama dan tda ada selsh. Hal n sangat jarang terjad dan dalam stud asus n tda terjad. Namun ada alasan lan yang dapat menjelasan enapa nla n menjad nol, yatu semua peerjaan atau sebagan peerjaan telah dsubontraan. 4.4 Senaro Ketga Pada senaro 3 aan dlauan analss terhadap emrngan dan penympangan beban erja. Dengan menngatnya bobot pada fungs tujuan untu memnmalan penympangan, jumlah penympangan seman berurang. Berurangnya penympangan n dtunjuan dengan menurunnya jumlah total jam erja datas rata-rata. Rata-rata beban erjapun menunjuan penurunan. Hal n dsebaban oleh teraloasannya peerjaan e subontra. 5. PEMBAHASAN Ujcoba yang dlauan melput analss perubahan hasl yang dabatan dar perubahan tga varabel bobot pada tap bagan fungs tujuan. Nla hasl fungs tujuan tda aan danalss lebh lanjut arena etga bagan fungs tujuan mencaup satuan yang berbeda. Nla dar fungs tujuan hanya sebaga nla yang tampl abat dar perhtungan mnmal dan dgunaan solver untu membandngan antar nla fungs tujuan agar ddapatan hasl nla yang optmal. Percobaan yang dlauan banya melbatan perubahan pada varabel be atau batas seorang peerja mengambl satu elas peerjaan. Varabel n berpengaruh seal terhadap sebaran penugasan dan aloas peerjaan yang terjad. Namun nla hasl dar perubahan varabel n cenderung seman berurang selshnya. Pengaruh perbedaan batas be dapat dlhat pada gambar 2. Baya be Baya subontra Baya lembur Gambar 2. Pengaruh Perbedaan be Gambar 2 menganalss perubahan baya terhadap perbedaan be. Antara batas be 1 sampa 5 terjad penurunan yang sgnfan dan seterusnya berurang pada nla 10. Hal n berart pada saat setap peerja hanya boleh mengerjaan satu peerjaan sebanya satu al, baya subontra tngg arena peerjaan aan seman terbatas untu teraloas e seorang peerja yang memenuh pertmbangan pada emampuan relatf ta terpaa, sehngga peerjaan banya yang teraloasan e subontra. 5.1 Fungs Tujuan Memnmalan Baya Fungs tujuan bagan pertama adalah memnmalan baya lembur dan baya subontra. Analss dlauan pada varabel bobot alfa, beta serta gamma dengan perubahan varabel be antara 5, 10, dan 20 pada bobot alfa dan beta. Pada hasl ujcoba detahu bahwa baya menngat pada bobot alfa yang seman ecl dan baya subontra merupaan baya dengan persentase lebh banya dbandng baya yang deluaran untu peerja lembur. Kedua baya ba subontra maupun baya lembur mempunya ecenderungan yang berbandng terbal. Apabla baya subontra na, maa baya lembur cenderung turun. Gambar 3 menunjuan penugasan peerja-an pada batas masmal peerja dapat mengerjaan peerjaan dalam satu elas adalah 5 al. Dengan nsalsas varabel beta mula dar 0,1 sehngga esempatan memnmalan baya sangat besar. Baya subontra mash sangat ecl arena pada onds n mash sedt pertmbangan pada pemasmalan emampuan relatf ta terpaa, sehngga onsentras mash pada memnmalan baya. Nla beta yang seman besar aan memperecl pemnmalan baya dan onsentras berpndah pada memnmalan emampuan relatf ta terpaa yang mengabatan peerjaan yang tda meml anddat peerja terba, dengan emampuan masmal, aan dsubontraan. Abat dar dsubontraannya peerjaan maa baya subontra-pun aan menngat $ be = beta Baya subontra Baya lembur Gambar 3. Baya pada Varas beta dengan be=5 Pada ujcoba dengan perubahan bobot gamma terjad ecenderungan salng berlawanan sama sepert pada varas beta. Ujcoba n mengnsalsas varabel alfa dan beta dengan nla sama yatu 0,5. Seman besar nla gamma baya yang deluaran seman banya arena 18

7 SISFO-Jurnal Sstem Informas peerjaan cenderung dsubontraan arena dngnan esetmbangan yang pada aloas beban erja. Gambar 4 menunjuan hasl ujcoba pada varas nla gamma. Gambar 4. Baya pada Varas gamma 5.2 Fungs Tujuan Memnmalan Tngat Kebosanan Fungs tujuan yang edua adalah memnmalan tngat ebosanan dengan mencar fungs mnmal dar perhtungan emampuan relatf ta terpaa. Ujcoba n menunjuan penurunan nla emampuan relatf ta terpaa serng dengan menngatnya nla beta. Dasumsan bahwa seman ecl nla emampuan relatf ta terpaa maa tngat ebosanan peerja seman berurang. Pada percobaan dengan nla varabel be adalah 5, emampuan relatf ta terpaa bernla nol pada nla beta = (Gambar 5). Penurunan sampa nla nol n terjad pada nla beta lebh ecl dbandng dengan nla beta pada percobaan dengan nla be = 10 dan 20. Hal n darenaan terbatasnya emampuan peerja untu menampung suatu elas peerjaan. Nla rata-rata emampuan relatf ta terpaa nol artnya bahwa emampuan peerja dan emampuan yang dbutuhan oleh peerjaan sama dan tda ada selsh Rata-rata emampuan relatf ta terpaa (be = 5) beta Gambar 5. Rata-rata emampuan relatf ta terpaa pada varas beta dengan be = 5 Pada ujcoba dengan varas gamma ddapatan nla emampuan relatf ta terpaa menurun sejalan dengan menngatnya nla gamma (Lhat gambar 6). Nla gamma menunjuan ecenderungan untu menyembangan atau merataan beban erja peerja. Seman besar nla gamma maa pertmbangan pada pemerataan peerjaan sangat besar. Penurunan n darenaan proses pemerataan adang aan mengaloasan peerjaan untu dsubontraan arena selan membuat etdasembangan juga tda dapat drataan lag dabatan rendahnya emampuan. Rendahnya emampuan yang dmasud adalah membesarnya nla emampuan rata-rata ta terpaa arena pemasaan pemerataan. Oleh arena tu peerjaan dsubontraan, dan tentunya aloas pada subontra n melbatan peerjaan yang mempunya nla emampuan ta terpaa relatf yang lebh besar sehngga mengabatan penurunan pada nla emampuan relatf ta terpaa Gambar 6. Rata-Rata Kemampuan Relatf Ta Terpaa pada Varas gamma 5.3 Fungs Tujuan Memnmalan Penympangan Beban Kerja Fungs tujuan yang etga adalah memnmalan penympangan beban erja. Dalam ujcoba ddapatan rata-rata beban erja dan total jam erja datas rata-rata yang merepresentasan penympangan yang terjad dalam setap aloas. Gambar 7 menunjuan hasl ujcoba dengan varas gamma pada rata-rata beban erja dan total jam erja datas rata-rata. Dengan menngatnya bobot pada fungs tujuan untu memnmalan penympangan, jumlah penympangan seman berurang. Berurangnya penympangan n dtunjuan dengan menurunnya jumlah total jam erja datas rata-rata. Rata-rata beban erjapun menunjuan penurunan. Hal n dsebaban oleh teraloasannya peerjaan e subontra. Peerjaan yang tda rata dan mempunya nla emampuan relatf ta terpaa rata-rata yang besar aan otomats teraloasan e subontra, arena ja mash dpasa untu teraloasan, nla fungs tujuan untu memnmalan emampuan relatf ta terpaa menjad bertambah. Hal n lah yang menyebaban berurangnya rata-rata beban erja. 19

8 SISFO-Jurnal Sstem Informas Gambar 7. Rata-rata Beban Kerja dan Total Jam Kerja d Atas Rata-Rata 6. SIMPULAN Dar beberapa percobaan yang telah dlauan dalam mplementas program untu mengaloasan peerjaan maa ddapatan smpulan sebaga berut : 1. Implementas model n dapat membantu perusahaan atau organsas dalam mengaloasan peerjaan atau tugas-tugas epada peerja per ndvdu. 2. Terdapat tga tujuan yang ngn dcapa, dengan mengubah varabel bobot maa ecenderungan terhadap tujuan tertentu dapat datur berdasaran besarnya nla bobot tersebut. 3. Semua peerjaan memungnan untu dsubontraan seluruhnya arena model tda membatas peerja untu harus melauan peerjaan. 4. Dar ombnas data peerja dan peerjaan yang dpaa dalam ujcoba, ddapatan nla be (berapa al peerja boleh mengerjaan suatu peerjaan tertentu) yang dpaa dalam ujcoba adalah antara Seman besar nla bobot alfa aan seman ecl baya. 6. Seman tngg bobot beta maa nla emampuan relatf ta terpaanya seman ecl, namun perlu dngat peerjaan yang tda memenuh batas emungnannya, artnya jara emampuan peerja dan emampuan yang dbutuhan peerjaan terlalu jauh, aan daloasan e subontra. 7. Seman besar nla bobot gamma, penympangan aan seman ecl. Penngatan bobot pada fungs tujuan n ternyata juga mengabatan teraloasannya peerjaan pada subontra. Berut n adalah beberapa pertmbangan yang dapat dpaa untu pengembangan dan peneltan edepan : 1. Varabel be nlanya tergantung pada jumlah atau banyanya peerja dan peerjaan yang terseda. Nla n seharusnya dcar terlebh dahulu untu menentuan seberapa mampu peerja menampung peerjaan yang ada. 2. Aloas peerjaan yang dhaslan bersfat sementara dalam watu yang pende. Harus rutn dset ulang apalag ja serng terjad perubahan formas peerja maupun peerjaan Rata-rata emampuan relatf ta terpaa yang dhtung dar ruang ecaapan nlanya adalah tetap, apabla terjad perubahan,msal enaan level, maa harus dhtung ulang nla masng masng peerja pada tap peerjaan untu dlauan analss selanjutnya 3. Paper n tda memperhtungan penjadwalan peerja. Namun dalam peneltan dan pengembangan selanjutnya memungnan dlauan pengaloasan peerjaan sealgus penjadwalan. 7. DAFTAR PUSTAKA Apsley Recrutment. (Februar, 2008). Absenteesm: The Problem and Its Preventon. Avalable at : com.au/artcles/absenteesm-the-problem-andts-prevent on.aspx. Busness Owner s Toolt. (Februar, 2008). Cost of Absenteesm. Avalable at : bg. aspx?nd=p05_5315 Cheang, B., L, H., Lm, A., Rodrgues, B. (2003). Nurse rosterng problems-a bblographc survey. European Journal of Operatonal Research. 151, Eselt, H.A., Maranov, Vladmr. (2008). Employee postonng and worload allocaton. Computers & Operatons Research. Vol. 35, Ernst, A.T., Jang, H., Krshnamoorthy, M., Ser, D. Staff schedulng and rosterng: A revew of applcatons, methods and models. European Journal of Operatonal Research. 153, Wnston, Wayne L. (1993). Operaton research : applcatons and algortms. 3rd ed. Internatonal Thomshon Publshng. 20

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI

PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

BAB III MODUL INJEKTIF

BAB III MODUL INJEKTIF BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode

BAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi JURNA INFORMATIKA, Vol.4 No.2 September 27, pp. 222~229 ISSN: 2355-6579 E-ISSN: 2528-2247 222 Optmas Baru Program near Mult Objetf Dengan Smplex P Untu Perencanaan Produs Maxs Ary Am BSI Bandung e-mal:

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan lanjut data gravitasi Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT LAORAN HASIL ENELITIAN ANALISIS MOEL ERSEIAAN BARANG EO ENGAN MEMERTIMBANGKAN FAKTOR KAALUARSA AN FAKTOR ALL UNIT ISOUNT Tauf Lmansyah LEMBAGA ENELITIAN AN ENGABIAN KEAA MASYARAKAT UNIVERSITAS KATOLIK

Lebih terperinci

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian

BAB III METODE PENELITIAN. penelitian dilakukan secara purposive atau sengaja. Pemilihan lokasi penelitian BAB III METODE PENELITIAN 3.1 Lokas Peneltan Peneltan dlaksanakan d Desa Sempalwadak, Kecamatan Bululawang, Kabupaten Malang pada bulan Februar hngga Me 2017. Pemlhan lokas peneltan dlakukan secara purposve

Lebih terperinci

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Berala Fsa ISSN : 1410-966 Vol.8, No.1, Januar 005, hal 7-10 KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR Agus Setyawan Laboratorum Geofsa, Jurusan

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

IMPLEMENTASI MIXED LINIER INTEGER PROGRAMMING UNTUK MENENTUKAN ALOKASI PRODUKSI DAN DISTRIBUSI DALAM JARINGAN RANTAI PASOK GLOBAL

IMPLEMENTASI MIXED LINIER INTEGER PROGRAMMING UNTUK MENENTUKAN ALOKASI PRODUKSI DAN DISTRIBUSI DALAM JARINGAN RANTAI PASOK GLOBAL IMLEMENASI MIE LINIER INEGER ROGRAMMING UNUK MENENUKAN ALOKASI ROUKSI AN ISRIBUSI ALAM JARINGAN RANAI ASOK GLOBAL Mahendrawath ER 1) Rully Soelaman 2) Ftrana 1) 1) Jurusan Sstem Informas 1) Jurusan en

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

UKURAN LOKASI, VARIASI & BENTUK KURVA UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

BAB II TEORI ALIRAN DAYA

BAB II TEORI ALIRAN DAYA BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga

Lebih terperinci

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Prosdng Semnar Nasonal Manajemen Tenolog IX Program Stud MMT-ITS, Surabaya 14 Pebruar 2009 PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR Teguh Otarso Program

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain Abstra Implementas Algortma Radx Sort dalam Berbaga Kasus Blangan Dbandngan Algortma Pengurutan yang lan Dean Fathony Alfatwa, Ere Rahman Syah P 2, Fahrs Mumtaza Ahsan 3 Departemen Ten Informata, Insttut

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 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 terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

PROPOSAL SKRIPSI JUDUL:

PROPOSAL SKRIPSI JUDUL: PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

Strategi Meminimalkan Load Shedding Menggunakan Metode Sensitivitas Untuk Mencegah Voltage Collapse Pada Sistem Kelistrikan Jawa-Bali 500 kv

Strategi Meminimalkan Load Shedding Menggunakan Metode Sensitivitas Untuk Mencegah Voltage Collapse Pada Sistem Kelistrikan Jawa-Bali 500 kv 1 Strateg Memnmalan Load Sheddng Menggunaan Metode Senstvtas Untu Mencegah Voltage Collapse Pada Sstem Kelstran Jawa-Bal 500 V Rs Cahya Anugrerah Haebb, Ad Soepranto,, Ardyono Pryad Jurusan Ten Eletro,

Lebih terperinci

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si

Oleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

Nama : Crishadi Juliantoro NPM :

Nama : Crishadi Juliantoro NPM : ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 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 terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

BAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah

BAB 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 terperinci

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization Restoras Ctra Dengan Menggunaan Metode Iteratf Lanczos Hybrd Regularzaton Yudh Purwananto, Rully Soelaman, Alfa Masjta Rahmat Jurusan Ten Informata, Faultas Tenolog Informas Insttut Tenolog Sepuluh Nopember

Lebih terperinci

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal 157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan

Lebih terperinci

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /

KORELASI DAN REGRESI LINIER. Debrina Puspita Andriani    / KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan

Lebih terperinci

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK PENGGUNAAN MODEL REGRESI LINEAR BERGANDA PADA PROGRAM PENGGEMUKAN SAPI PO ( PERANAKAN ONGOLE) SERTA ANALISIS BCR ( BENEFIT COST RATIO ) PENGGUNAAN PAKAN BAHAN KERING Eman Lesmana, Raman Jurusan Matemata

Lebih terperinci

Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu

Bab 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 terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa

Lebih terperinci

Bab III Analisis Rantai Markov

Bab III Analisis Rantai Markov Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI

BAB 4 IMPLEMENTASI DAN EVALUASI 65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata

Lebih terperinci

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,

Lebih terperinci

HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT

HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT HUBUNGAN KEMAMPUAN KEUANGAN DAERAH TERHADAP PERTUMBUHAN EKONOMI PROVINSI NUSA TENGGARA BARAT ABSTRAK STEVANY HANALYNA DETHAN Fakultas Ekonom Unv. Mahasaraswat Mataram e-mal : stevany.hanalyna.dethan@gmal.com

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa

Lebih terperinci

PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. XYZ

PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. XYZ e-jurnal Ten Industr FT USU Vol 3, No., Otober 03 pp. 45-5 PENENTUAN JUMLAH PRODUKSI OPTIMAL CPO DENGAN MENGGUNAKAN METODE GOAL PROGRAMMING PADA PABRIK KELAPA SAWIT PT. YZ Delmar Bnhot Lumbantoruan, Poerwanto,

Lebih terperinci

Bab III Model Estimasi Outstanding Claims Liability

Bab III Model Estimasi Outstanding Claims Liability Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa

Lebih terperinci

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.

Kata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal. Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci