Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
|
|
- Suharto Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Eksplorasi Algoritma Mass, Profit,, Profit / Mass, atau Profit / utuk Persoala Iteger Kapsack yag Bedaya Berupa Zat Kimia dega Jeisya Terdefiisi Abstrak Riyai Mardikaigrum 1, Nurshati 2, Vaia Karimah 3 Laboratorium Ilmu da Rekayasa Komputasi Departeme Tekik Iformatika, Istitut Tekologi Badug Jl. Gaesha 10, Badug if14113@studets.if.itb.ac.id 1, if14154@studets.if.itb.ac.id 2, if14160@studets.if.itb.ac.id 3 Setiap persoala sebaikya diselesaika dega cara yag opti karea dega demikia aka lebih efektif da efisie. Dalam kehidupa sehari-hari, bayak kita temui persoala optimasi, baik berupa maksimasi atau miimasi. Salah satu persoala yag serig kita jumpai adalah bagaimaa memuat beberapa beda ke dalam suatu tempat sehigga diperoleh keutuga yag maksi. Dalam hal ii adalah optimasi berupa maksimasi keutuga. Pada kesempata kali ii, kami aka megekplorasi peyelesaia persoala Iteger Kapsack dega Algoritma mass, profit, volume, profit / mass, atau profit / volume yag bedaya berupa zat kimia dega massa jeisya terdefiisi. Biasaya, data yag diketahui adalah massa da profit-ya saja, amu kami berfikir bahwa setiap zat kimia yag memiliki massa, pasti juga memiliki volume. Maka dari itu, kami mecoba megeksplorasi kelima algoritma tersebut, kemudia diaalisis sehigga dapat diketahui algoritma maa yag palig magkus utuk persoala Iteger Kapsack yag bedaya berupa zat dega massa jeisya terdefiisi. Kata kuci: Iteger Kapsack, Greedy, algoritma, zat kimia, massa jeis 1. Pedahulua Bayak kegiata yag membutuhka zat kimia da serig sekali zat kimia yag dipakai harus melalui proses distribusi atau pegagkuta. Agar proses pegagkutaya opti, maka sebelum diagkut, zat kimia tersebut perlu dimuat ke dalam wadah / cotaier-ya dega opti pula. Dega megabaika fleksibilitas da pembugkus tiap uit zat kimia yag ada, kami mecoba utuk megeksplorasi Algoritma mass, profit, volume, profit / mass, atau profit / volume. Kemudia kami aalisis sehigga dapat diketahui algoritma maa yag palig magkus utuk peyelesaia Iteger Kapsack yag bedaya berupa zat kimia. 2. Iteger Kapsack Pada makalah ii ada dua jeis persoala Iteger Kapsack yag diajuka. Pada jeis yag pertama, wadah atau tempat yag diguaka terbuka (pembatasya haya berupa kapasitas massa yag dapat dimuat), sedagka pada jeis yag kedua wadah atau tempat yag diguaka tertutup (pembatasya buka haya kapasitas massa yag dapat dimuat, melaika juga volume). Kedua persoala tersebut sama-sama meyelesaika bagaimaa memuat beberapa beda ke suatu wadah agar keutuga yag diperoleh maksi. Selai itu, kami juga memafaatka formula: ρ = m / v (1) dega ρ = massa jeis objek m = massa objek v = volume objek 2.1 Persoala Iteger Kapsack pada wadah terbuka Secara for, persoala ii dapat ditulis sebagai berikut. Maksimasi F = p i x i (2) dega kedala (costrait) m i x i K (3) yag dalam hal ii, x i =0 atau 1,,2,... p= profit objek m=massa objek K= massa maksi yag dapat dimuat oleh suatu wadah 1
2 2.1 Persoala Iteger Kapsack pada wadah tertutup Secara for, persoala ii dapat ditulis sebagai berikut. Maksimasi F = p i x i (2) dega kedala (costrait) m i x i K (3) v i x i L (4) yag dalam hal ii, x i =0 atau 1,,2,... p= profit objek m=massa objek K= massa maksi yag dapat dapat dimuat wadah v= volume objek L= volume total wadah 3. Algoritma Greedy Algoritma Greedy merupaka algoritma yag palig populer utuk memecahka persoala optimasi. Ada dua jeis optimasi, yaitu maksimasi da miimasi. Pada makalah ii, lebih ke arah maksimasi keutuga dalam meyelesaika persoala Iteger Kapsack. Greedy berarti rakus, tamak, loba. Prisip greedy adalah take what you ca get ow!. Algoritma greedy membetuk solusi lagkah per lagkah (step by step). Pada setiap lagkah, terdapat bayak piliha yag perlu dieksplorasi. Oleh karea itu, pada setiap lagkah harus dibuat keputusa yag terbaik dalam meetuka piliha. 3.1 Algoritma mass Pada algoritma ii, pada setiap lagkah, pilih objek yag mempuyai massa teriga. Mecoba memaksimumka keutuga dega dega memasukka sebayak mugki objek ke dalam kapsack. 3.2 Algoritma profit Pada algoritma ii, pada setiap lagkah, pilih objek yag mempuyai profit terbesar. Mecoba memaksimumka keutuga dega memilih objek yag memiliki ilai profit yag palig tiggi terlebih dahulu. teriga terlebih dahulu agar objek yag dimasukka bisa sebayak mugki. Jadi, prisipya hampir sama dega Algoritma mass, yaitu mecoba memaksimumka keutuga dega memasukka sebayak mugki objek ke dalam kapsack. 3.4 Algoritma profit / mass Algoritma ii adalah alagoritma yag pada setiap lagkahya, kapsack diisi dega objek yag mempuyai p i /m i terbesar. Mecoba memaksimumka keutuga dega memilih objek yag mempuyai keutuga per uit mass terbesar. 3.5 Algoritma profit / volume Hampir sama dega Algoritma profit / mass, amu algoritma ii, pada setiap lagkahya, kapsack diisi dega objek yag mempuyai p i / v i terbesar. Mecoba memaksimumka keutuga dega memilih objek yag mempuyai keutuga per uit volume terbesar. 4. Studi Kasus Berikut ada lima studi kasus yag kami sajika, da kemudia dari studi kasus tersebut kami aalisis agar diketahui algoritma maa yag palig magkus utuk meyelesaika persoala Iteger Kapsack yag bedaya berupa zat kimia dega massa jeisya terdefiisi. 4.1 Studi Kasus utuk persoala Iteger Kapsack yag wadahya terbuka Studi kasus I Diketahui ilai massa da profit dari tiap tiap beda. = 5 Jeis Beda (kg) Profit (dm 3, dihitug) Siliko ,00 Sodium ,09 Fosfor ,50 Zic ,70 Maga ,62 Tabel 1 Data Objek Batasa dari kapsack sebesar M = 20 kg. dihitug megguaka rumus massa dibagi dega massa jeis (tidak ditulis secara eksplisit perhitugaya). 3.3 Algoritma volume Algoritma volume adalah algoritma yag pada setiap lagkahya memilih objek dega volume 2
3 Pecaria Solusi by Mass Kita pilih beda yag palig kecil massaya. Himpua solusi S = {Sodium}. Himpua sumber Sum = {Siliko, Fosfor, Zic, M = M - m i = 20 3 =1 7 Setelah lagkah diatas diulag sampai kapsack tidak S = {Sodium, Zic, Siliko} Profit = = 795 Total massa = 15 kg Total volume = 6,79 dm 3 Pecaria Solusi by Profit Kita pilih beda dega profit palig besar. Himpua solusi S = {Fosfor} Himpua sumber Sum = {Siliko, Sodium, Zic, M = M - m i = 20 7 = 13 Setelah lagkah diatas diulag sampai kapsack tidak S = {Fosfor, Siliko, Sodium} Profit = = 1428 Total massa = 20 kg Total volume = 11,59 dm 3 Pecaria Solusi by Kita pilih beda yag palig kecil volumeya. Himpua solusi S = {Zic}. Himpua sumber Sum = {Siliko, Sodium, Fosfor, M = M - m i = 20 5 = 15 Setelah lagkah diatas diulag sampai kapsack tidak S = {Zic, Maga, Sodium} Profit = = 615 Total massa = 20 kg Total volume = 10,21 dm 3 Pecaria Solusi by Profit/Mass Hasil perhituga p i / m i Jeis Beda p i / m i Siliko 50 Sodium 81,7 Fosfor 83,3 Zic 40 Maga 14,17 Tabel 2 Data Jeis Beda dega Profit / Mass-ya Kita pilih beda dega agka rasio profit dega massaya palig besar, yaitu fosfor. Himpua solusi S = {Fosfor} Himpua sumber Sum = {Siliko, Sodium, Zic, M = M m i = 13 Setelah lagkah diatas diulag sampai kapsack tidak S = {Fosfor, Sodium, Siliko} Profit = 1428 Total massa = 20 kg Total volume = 11,59 dm 3 Pecaria Solusi by Profit/ Hasil perhituga p i / v i Jeis Beda p i /v i Siliko 116, 67 Sodium 79,29 Fosfor 151,46 Zic 285,71 Maga 104,94 Tabel 3 Data Jeis Beda dega Profit / -ya Kita pilih beda dega agka rasio profit dega volumeya palig besar, yaitu zic. Himpua solusi S = {Zic} Himpua sumber Sum = {Siliko, Sodium, Fosfor, M = M m i = 20 5 = 15 Setelah lagkah diatas diulag sampai kapsack tidak S = {Zic, Fosfor, Sodium} Profit = = 1278 Total massa = 18 kg Total volume = 9,29 dm 3 Jeis Beda (kg) Profit (dm 3, dihitug) Siliko ,00 Sodium ,09 Fosfor ,50 Zic ,70 Maga ,62 Total Total Tabel 4 Hasil Akhir Peyelesaia 3
4 Profit (p i ) (v i ) Weight (m i ) Profit per (p i /m i ) Profit per (p i / v i ) Solusi ,59 10,21 6,79 11,59 9,29 11, Tabel 4 Hasil Akhir Peyelesaia (lajuta) Dari pejelasa diatas, Algoritma Profit da by Profit / Mass memberika solusi opti. Studi kasus II Sebuah wadah silider disediaka utuk meampug zat kimia dega kapasitas maksimum C = 120 kg. Lima jeis hasil tambag aka dimasukka ke dalam wadah tersebut. Namu, setiap jeis memiliki volume berbeda da aka meghasilka profit yag berbedabeda, yaki: No Zat Profit (dm 3 ) 1 Alumuium Platium Gold Nickel Silver 15 5 Tabel 5 Data Jeis Beda dega Profit da -ya Sag peambag igi medapatka profit maksimum dari pejuala dalam satu wadah tersebut. Maka ia megguaka algoritma greedy dalam memecahka masalah kapsack ii. i V M P P/V P/M Total Tabel 6 Hasil Akhir Peyelesaia V M P P/V P/M Soluti o Tabel 6 Hasil Akhir Peyelesaia (lajuta) Dari pejelasa diatas, haya Algoritma Profit / Mass memberika solusi opti. Studi kasus III Sebuah wadah silider disediaka utuk meampug zat kimia dega kapasitas maksimum C = 80 kg. Lima jeis hasil tambag aka dimasukka ke dalam wadah tersebut. Namu, setiap jeis memiliki volume berbeda da aka meghasilka profit yag berbeda-beda, yaki: No Zat Profit (kg) 1 Alumuium Platium Gold Nickel Silver Tabel 7 Data Zat Kimia dega Profit da ya Sag peambag igi medapatka profit maksimum dari pejuala dalam satu wadah tersebut. Maka ia megguaka algoritma greedy dalam memecahka masalah kapsack ii. i V M P P/V P/M Total Tabel 8 Hasil Akhir Peyelesaia 4
5 P/ V M P P/V Solutio M Tabel 8 Hasil Akhir Peyelesaia (lajuta) Dari pejelasa diatas, kelima algoritma memberika solusi opti. Aalisis Dari ketiga studi kasus di atas, dapat diambil kesimpula semetara bahwa Algoritma Profit / Mass palig magkus karea haya algoritma tersebut yag meghasilka solusi opti di ketiga studi kasus tersebut. 4.2 Studi kasus utuk persoala Iteger Kapsack yag wadahya tertutup Studi kasus I Diketahui: Diberika lima jeis zat kimia (=5) sebagai berikut: - Besi dega 5 kg, da profit 13 - Silico dega massa 3 kg, da profit 8 - Emas dega massa 7 kg, da profit 15 - Nickel dega massa 10 kg, dega profit 12 - Alumiium dega massa 3 kg, dega profit 5 Kapasitas massa wadah = 20 kg Kapsitas volume = 4 dm 3 Ditaya: Selesaika persoala Iteger Kapsack tersebut dega Algoritma mass, profit, volume, profit / mass, da profit / volume! Peyelesaia: i m i (kg) p i v i (dm 3 ) p i /m i p i /v i Total Total Tabel 9 Hasil Akhir Peyelesaia Profit Profit / Profit / Tabel 9 Hasil Akhir Peyelesaia (lajuta) Solu si Dari peyelesaia di atas, Algoritma Mass,, Profit / Mass, da Profit / memberika solusi opti. Studi kasus II Diketahui: Diberika lima jeis zat kimia (=5) sebagai berikut: - Besi dega volume 2 dm 3, da profit 20 - Silico dega volume 1 dm 3, da profit 7 - Emas dega volume 5 dm 3, da profit 10 - Nickel dega volume 10 dm 3, dega profit 12 Kapasitas massa wadah = 110 kg Kapsitas volume = 15 dm 3 5
6 Ditaya: Selesaika persoala Iteger Kapsack tersebut dega Algoritma mass, profit, volume, profit / mass, da profit / volume! Peyelesaia: i v i (dm 3 ) p i m i (kg) p i /m i p i /v i Total Mass Total Tabel 10 Hasil Akhir Peyelesaia Solu Mass Profit si Profit / Profit / Mass Tabel 10 Hasil Akhir Peyelesaia (lajuta) 5. Kesimpula Setelah melihat da memahami kelima studi kasus di atas, maka dapat ditarik beberapa kesimpula, yaitu sebagai berikut: 1. Algoritma yag palig magkus utuk meyelesaika persoala Iteger Kapsack adalah Algoritma Profit / Mass karea haya algoritma tersebut yag meghasilka solusi opti di kelima studi kasus di atas. 2. Teryata, volume kurag berpegaruh dalam peyelesaia persoala Iteger Kapsack ii karea terlihat bahwa walaupu volume dimasukka ke dalam faktor pembatas wadah, tetap saja bahwa algoritma yag palig magkus adalah Algoritma Profit / Mass. 3. Ketimpaga besar ilai atara massa da volume (yag didapat karea massa jeisya terdefiisi) juga mejadi peyebab bahwa volume tidak terlalu perlu utuk dimasukka ke dalam faktor yag berpegaruh. Daftar Pustaka 1. Periodic Table of Elemets Sorted by Desity. sity.html. Diakses taggal 18 Mei Muir, Rialdi, Diktat Kuliah IF2251 : Strategi Algoritmik, Dari peyelesaia di atas, Algoritma Mass, Profit / Mass, da Profit / memberika solusi opti. Aalisis Dari kedua studi kasus di atas, teryata algoritma yag palig tidak magkus di atara kelima algoritma tersebut adalah Algoritma Profit karea haya algoritma tersebut yag tidak meghasilka solusi opti di kedua studi kasus tersebut. 6
APLIKASI PROGRAM DINAMIS DALAM OPTIMASI PRODUKSI PERMEN. Petra Novandi
APLIKASI PROGRAM DINAMIS DALAM OPTIMASI PRODUKSI PERMEN Petra Novadi Iformatika Istitut Tekologi Badug Labtek V Jl. Gaesha No., Badug email : if559@studets.if.itb.ac.id, me@va-odi.et ABSTRAK Permasalaha
Lebih terperinciAlgoritma Branch and Bound pada Permasalahan 0-1 Knapsack
Algoritma Brach ad Boud pada Permasalaha 0-1 Kapsack Sady Socrates (13508044) Program Studi Tekik Iformatika 2008, Istitut Tekologi Badug Jl. Gaesha 10, 40116 Badug e-mail: if18044@studets.if.itb.ac.id
Lebih terperinciBalas Additive Algorithm, Algoritma Branch & Bound untuk Binary Integer Programming
Balas Additive Algorithm, Algoritma Brach & Boud utuk Biary Iteger Programmig Aditio Pagestu 13514030 Program Studi Tekik Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya
Lebih terperinciBAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy
BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciAplikasi Interpolasi Bilinier pada Pengolahan Citra Digital
Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciKompleksitas Waktu untuk Algoritma Rekursif. ZK Abdurahman Baizal
Kompleksitas Waktu utuk Algoritma Rekursif ZK Abdurahma Baizal Algoritma Rekursif Betuk rekursif : suatu subruti/fugsi/ prosedur yag memaggil diriya sediri. Betuk dimaa pemaggila subruti terdapat dalam
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciSolusi Numerik PDP. ( Metode Beda Hingga ) December 9, 2013. Solusi Numerik PDP
( Metode Beda Higga ) December 9, 2013 Sebuah persamaa differesial apabila didiskritisasi dega metode beda higga aka mejadi sebuah persamaa beda. Jika persamaa differesial parsial mempuyai solusi eksak
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciPenyelesaian Asymmetric Travelling Salesman Problem dengan Algoritma Hungarian dan Algoritma Cheapest Insertion Heuristic.
Peyelesaia Asymmetric Travellig Salesma Problem dega Algoritma Hugaria da Algoritma Cheapest Isertio Heuristic Caturiyati Staf Pegaar Jurusa Pedidika Matematika FMIPA UNY E-mail: wcaturiyati@yahoo.com
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
BAB XII. SUKU BANYAK A = a Pegertia: f(x) = a x + a x + a x + + a x +a adalah suku bayak (poliom) dega : - a, a, a,.,a, a, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciMenentukan Pembagi Bersama Terbesar dengan Algoritma
Meetuka Pembagi Besama Tebesa dega Algoitma Macelius Hey M. (135108) Pogam Studi Tekik Ifomatika Sekolah Tekik Elekto da Ifomatika Istitut Tekologi Badug, Jl. Gaesha 10 Badug 4013, Idoesia 135108@std.stei.itb.ac.id
Lebih terperinciPERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA
PERCOBAAN 4 VARIABEL ACAK DAN DISTRIBUSI PROBABILITASNYA 4.. Tujua : Setelah melaksaaka praktikum ii mahasiswa diharapka mampu : Membedaka data berdasarka jeis variabelya Mapatka mea da varias dari distribusi
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciPENGEMBANGAN MODEL ANALISIS SENSITIVITAS PETA KENDALI TRIPLE SAMPLING MENGGUNAKAN UTILITY FUNCTION METHOD
Semiar Nasioal Iformatika 5 (semasif 5) ISSN: 979-8 UPN Vetera Yogyakarta, 4 November 5 PENGEMBANGAN MODE ANAISIS SENSITIVITAS PETA KENDAI TRIPE SAMPING MENGGUNAKAN UTIITY FUNCTION METHOD Juwairiah ),
Lebih terperinciMETODE NUMERIK TKM4104. Kuliah ke-2 DERET TAYLOR DAN ANALISIS GALAT
METODE NUMERIK TKM4104 Kuliah ke- DERET TAYLOR DAN ANALISIS GALAT DERET TAYLOR o Deret Taylor adalah alat yag utama utuk meuruka suatu metode umerik. o Deret Taylor bergua utuk meghampiri ugsi ke dalam
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciPROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING MENGGUNAKAN METODE LEVEL SUM
PROGRAM LINIER FUZZY PENUH DENGAN ALGORITMA MULTI OBJECTIVE LINEAR PROGRAMMING MENGGUNAKAN METODE LEVEL SUM Yosifayza Septiai 1, Bambag Irawato 2, Susilo Hariyato 3 Departeme Matematika FSM Uiversitas
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinciBAB IV PEMBAHASAN DAN ANALISIS
BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk
Lebih terperinciInduksi Matematika. Pertemuan VII Matematika Diskret Semester Gasal 2014/2015 Jurusan Teknik Informatika UPN Veteran Yogyakarta
Iduksi Matematika Pertemua VII Matematika Diskret Semester Gasal 2014/2015 Jurusa Tekik Iformatika UPN Vetera Yogyakarta Metode pembuktia utuk peryataa perihal bilaga bulat adalah iduksi matematik. Cotoh
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciANALISIS KOMPLEKSITAS ALGORITMA PENCARIAN CONVEX HULL PADA BIDANG PLANAR
ANALISIS KOMPLEKSITAS ALGORITMA PENCARIAN CONVEX HULL PADA BIDANG PLANAR Petra Novadi NIM : 13505059 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jl. Gaesha 10, Badug E-mail : if15059@studets.if.itb.ac.id
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciKalkulus Rekayasa Hayati DERET
Kalkulus Rekayasa Hayati DERET 1 Isi Bab Pedahulua Barisa tak-higga Deret tak-higga Deret Positif : Uji kekovergea Deret Gati Tada Deret Pagkat Deret Taylor da Maclauri 2 Kompetesi Dasar Setelah megikuti
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciBAB III PROGRAMA LINIER
BAB III PROGRAMA LINIER 31 Searah Sigkat Programa Liier Meurut George B Datzig yag serig disebut Bapak Liear Programmig, di dalam bukuya : Liear Programmig ad Extesio, meyebutka, bahwa ide dari pada liear
Lebih terperincitheresiaveni.wordpress.com NAMA : KELAS :
theresiaveiwordpresscom NAMA : KELAS : 1 theresiaveiwordpresscom BARISAN DAN DERET Barisa da deret dapat diguaka utuk memudahka peyelesaia perhituga, misalya buga bak, keaika produksi, da laba/rugi suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciMateri 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya
Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
ARTIKEL Meetuka rumus Jumlah Suatu Deret dega Operator Beda Markaba 191115198801005 Maret 015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN PUSAT PENGEMBANGAN DAN PEMBERDAYAAN PENDIDIK DAN TENAGA KEPENDIDIKAN
Lebih terperinciKombinatorial dan Peluang. Adri Priadana ilkomadri.com
Kombiatorial da Peluag Adri Priadaa ilkomadri.com Pedahulua Sebuah kata-sadi (password) pajagya 6 sampai 8 karakter. Karakter boleh berupa huruf atau agka. Berapa bayak kemugkia kata-sadi yag dapat dibuat?
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I
7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
4.1Aalisa Sistem Lama BAB IV ANALISA DAN PERANCANGAN Sistem yag ada di UIN SUSKA Riau dalam pegiformasia tetag kampus bagi calo mahasiswa biasaya dega melihat iformasi dari website resmi kampus UIN yag
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBatas Bilangan Ajaib Pada Graph Caterpillar
J. Math. ad Its Appl. ISSN: 189-605X Vol. 3, No., Nov 006, 49 56 Batas Bilaga Ajaib Pada Graph Caterpillar Chairul Imro Jurusa Matematika FMIPA ITS Surabaya imro-its@matematika.its.ac.id Abstrak Jika suatu
Lebih terperinciII. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang
II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber
Lebih terperinciBAB VIII KONSEP DASAR PROBABILITAS
BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada
Lebih terperinciHimpunan/Selang Kekonvergenan
oki eswa (fmipa-itb) Deret Pagkat Kita aka mempelajari beberapa tehik utuk meyajika suatu fugsi f (x) dalam betuk deret pagkat (power series), yaitu meetuka derat pagkat c (x a) sehigga f (x) = c (x a)
Lebih terperinciBab IV. Penderetan Fungsi Kompleks
Bab IV Pedereta Fugsi Kompleks Sebagaimaa pada fugsi real, fugsi kompleks juga dapat dideretka pada daerah kovergesiya. Semua watak kajia kovergesi pada fugsi real berlaku pula pada fugsi kompleks. Secara
Lebih terperinciBarisan Aritmetika dan deret aritmetika
BARISAN DAN DERET BILANGAN Peyusu: Atmii Dhoruri, MS Kode: Jejag: SMP T/P: / A. Kompetesi yag diharapka. Meetuka suku ke- barisa aritmatika da barisa geometri. Meetuka jumlah suku pertama deret aritmatika
Lebih terperinciSTUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN PENJADWALAN FLOWSHOP
STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP. (Tessa Vaia Soetato, et al.) STUDI PERBANDINGAN PERFORMANCE ALGORITMA HEURISTIK POUR TERHADAP MIXED INTEGER PROGRAMMING DALAM MENYELESAIKAN
Lebih terperinciRENCANA PROGRAM PEMBELAJARAN KE - 1. : 6 jam pelajaran
RENCANA PROGRAM PEMBELAJARAN KE - 1 Satua Pedidika Mata Pelajara Kelas/Semester Materi Pokok Waktu : SMA N 6 YOGYAKARTA : Matematika : XII IPS/ : Barisa da Deret : 6 jam pelajara 1. Stadar Kompetesi 4.
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TINJAUAN TEORITIS.1 Pegertia-pegertia Lapaga pekerjaa adalah bidag kegiata dari pekerjaa/usaha/ perusahaa/kator dimaa seseorag bekerja. Pekerjaa utama adalah jika seseorag haya mempuyai satu pekerjaa
Lebih terperinciSolusi Numerik Persamaan Transport
Solusi Numerik Persamaa Trasport M. Jamhuri December 16, 2013 Diberika persamaa Trasport u t + 2u x = 0 1) Diberika persamaa Trasport u t + 2u x = 0 1) Diskretka persamaa trasport 1) dega megguaka persamaa
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih terperinciPENGANTAR MODEL LINEAR Oleh: Suryana
PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciDefinisi Integral Tentu
Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.
Lebih terperinciMatematika Diskret (Kombinatorial - Permutasi) Instruktur : Ferry Wahyu Wibowo, S.Si., M.Cs
Matematika Diskret (Kombiatorial - Permutasi) Istruktur : Ferry Wahyu Wibowo, S.Si., M.Cs Pedahulua Sebuah sadi-lewat (password) pajagya 6 sampai 8 karakter. Karakter boleh berupa huruf atau agka. Berapa
Lebih terperinciPemilihan Ketua BEM Fakultas Teknik UN PGRI Kediri menggunakan Metode ELECTRE
Pemiliha Ketua BEM Fakultas Tekik UN PGRI Kediri megguaka Metode ELECTRE Nalsa Citya Resti Sistem Iformasi, Fakultas Tekik, Uiversitas Nusatara PGRI Kediri E-mail: alsacitya@upkediri.ac.id Abstrak salah
Lebih terperinciPENAKSIRAN M A S T A T I S T I K A D A S A R 1 7 M A R E T 2014 U T R I W E N I M U K H A I Y A R
PENAKSIRAN P E N A K S I R A N T I T I K P E N A K S I R A N S E L A N G S E L A N G K E P E R C A Y A A N U N T U K R A T A A N S E L A N G K E P E R C A Y A A N U N T U K V A R I A N S I M A 0 8 S T
Lebih terperinciPertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd
Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag
Lebih terperinciSESI 13 Payback Period
Mata Kuliah : Ekoomi Tekik Kode MK : TKS 4107 Pegampu : Achfas Zacoeb SESI 13 Payback Period zacoeb.lecture.ub.ac.id PENDAHULUAN Metode Payback Period pada dasarya bertujua utuk megetahui seberapa lama
Lebih terperinciBAB III METODE PENELITIAN
30 BAB III METODE PENELITIAN Peelitia pejadwala pembagkit termal ii adalah utuk membadigka metode Lagragia Relaxatio yag diajuka peulis dega metode yag diguaka PLN. Di sii aka diuji metode maa yag peramalaya
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinci