Optimasi Penentuan Rute Terpendek Pengambilan Sampah Menggunakan Multi Travelling Salesman Problem
|
|
- Hengki Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer e-issn: X Vol. 2, No. 6, Jui 2018, hlm Optimasi Peetua Rute Terpedek Pegambila Sampah Megguaka Multi Travellig Salesma Problem Rya Mahaputra Krishada 1, Budi Darma Setiawa 2, Marji 3 Program Studi Tekik Iformatika, 1 mahaputrarya@gmail.com, 2 s.budidarma@ub.ac.id, 3 marji@ub.ac.id Abstrak Sampah merupaka suatu permasalaha ligkuga yag tidak ada hetiya da permasalaha dari sampah perlu dipikirka da ditaggulagi bersama. Meurut data tahu 2015 dari Satua Kerja Peragkat Daerah (SKPD) Kota Depasar, produksi sampah pertahu di Kota Depasar sebesar ,48 m 3. Pada tahu yag sama, volume agkuta sampah dari armada Dias Kebersiha da Pertamaa (DKP) mecapai m 3 atau terealisasi 79,73% da meujukka armada agkuta DKP kota Depasar belum bisa meyetuh target 80%. Pada peelitia ii aka meetuka rute optimal bagi beberapa kedaraa pegagkut sampah dari kator DKP meuju ke titik-titik tempat sampah da berakhir di TPA. Permasalaha tersebut merupaka permasalaha dari Multi Travellig Salesma Promblem (m-tsp) da salah satu algoritme utuk meyelesaika permasalaha m-tsp ialah dega algoritme geetika. Proses dari algoritme geetika ii megguaka represetasi permutasi, proses reproduksi crossover dega oe-cut poit, proses mutasi dega exchage mutatio, da proses seleksi dega elitism selectio. Setelah melakuka uji coba, didapatka hasil parameter yag palig optimal yaitu pada populasi dega jumlah 100, dega jumlah kedaraa pegagkut sampah sebayak 4, ilai cr=0.3, mr=0.7 da geerasi sebesar 900. Hasil dari program dega parameter tersebut meghasilka rata-rata ilai fitess terbesar yaitu Kata kuci: optimasi, peetua rute, pegambila sampah, multi travellig salesma problem, algoritme geetika Abstract Garbage is a uedig evirometal problem ad this issue eeds to be cosidered ad hadled together. Accordig to data of 2015 from the Satua Kerja Peragkat Daerah (SKPD) or Regioal Device Work Uit of Depasar, the aual garbage productio i Depasar is 1,335, m 3. I the same year, the volume of garbage trasport from the Departmet of Hygiee ad Gardeig or also kow as Dias Kebersiha da Pertamaa (DKP) reached 1,065,016 m3 or realized 79.73% ad shows the DKP trasport fleet Depasar ca ot touch the 80% target. This study will determie the optimal route for some garbage trasport vehicles from the DKP office to the dump poits ad ed up i the ladfill. This happes because of the problem from Multi Travelig Salesma Problem (m-tsp) ad oe of the algorithms to solve m-tsp problems is with geetic algorithm. The process of this geetic algorithm uses permutatio represetatio, crossover reproductio process with oe-cut poit, mutatio process with exchage mutatio, ad selectio process with elitism selectio. After coductig the experimet, the most optimal parameter is obtaied i populatio with the amout of 100, with the umber of garbage trasport vehicles as much as 4, the value of cr = 0.3, mr = 0.7 ad the geeratio of 900. The results of the program with the parameters will yield as maximum average of fitess value. Keywords: optimizatio, route determiatio, garbage collectio, multi travellig salesma problem, geetic algorithm 1. PENDAHULUAN Sampah merupaka suatu permasalaha ligkuga yag tidak ada hetiya da permasalaha dari sampah perlu dipikirka da ditaggulagi bersama. Meurut lapora tahu 2015 oleh Kemeteria Ligkuga Hidup, Fakultas Ilmu Komputer Uiversitas Brawijaya 2227
2 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2228 permasalaha sampah pada tahu 2015, terjadi peigkata jumlah timbua sampah di Idoesia mecapai to/hari atau setara 64 juta to/tahu (Hidup, 2015). Permasalaha sampah semaki meigkat hal ii dikareaka serig dega pertambaha jumlah peduduk yag cepat, moderisasi kehidupa, meigkatya aktivitas mausia serta perkembaga ilmu da tekologi. Di Kota Depasar sediri memperkiraka produksi dari sampah ii dega megasumsika 1 orag per hari meghasilka 4 liter sampah dega total jumlah peduduk jiwa da megalami peigkata volume sampah ketika hari-hari besar seperti Galuga, Kuiga maupu Nyepi kurag lebih 60% sehigga produksi dari sampah di Kota Depasar pertahu sebesar ,48 m 3 atau ,87 to/tahu. Pada tahu yag sama, volume agkuta sampah dari armada Dias Kebersiha da Pertamaa (DKP) mecapai m 3 atau terealisasi 79,73% da meujukka armada agkuta DKP Kota Depasar belum bisa meyetuh target 80% (SKPD, 2015). Dega jumlah sampah perhari yag cukup besar da belum terpeuhiya target pegagkuta tersebut, pegemudi truk pegagkut sampah harus meetuka rute tercepat dari satu titik tempat sampah sampai ke titik tempat sampah laiya sehigga semua sampah dapat diagkut ke tempat pembuaga akhir (TPA) secepatya. Keterlambata da kesalaha dalam meetuka rute pegambila sampah tersebut atiya dapat berakibat meumpukya sampah sampai keesoka hariya. Keterlambata da kesalaha dalam meetuka rute ii juga berdampak pada waktu kerja armada DKP yag semaki lama serta biaya baha bakar kedaraa yag semaki tiggi. Oleh sebab itu, optimasi utuk meetuka rute terpedek pegambila sampah ii diperluka da diharapka dapat mempermudah tugas pegemudi truk pegagkut sampah dalam meetuka rute pegambila sampah. Utuk permasalaha yag serupa dega peetua rute ii telah bayak peelitia yag sudah dilakuka sebelumya seperti yag dilakuka oleh Hutami (2014) yag membahas tetag pecaria rute terpedek pegagkuta sampah di Kota Malag. Peelitia ii megguaka metode heuristic yaitu earest isertio da modified earest isertio megguaka savigs method. Metode savigs dalam modified earest isertio diguaka utuk peetua rute awal yag aka dilewati. Hasil dari peelitia tesebut megguaka metode modified earest isertio meghasilka rute yag lebih pedek da waktu yag lebih sigkat dibadigka earest isertio. Tapi solusi yag dihasilka earest isertio belum optimal karea ruag pecaria yag kurag luas da iterasi proses pecaria solusi haya sekali (Hutami, 2014). Selai itu, peelitia lai yag serupa juga dilakuka oleh Fitriaa Yuli (2015) yag meeliti tetag peetua rute loper kora megguaka metode m-tsp. Dari peelitia tersebut, memiliki beberapa asumsi berupa pelagga harus dikujugi tepat satu kali dari total jumlah pelagga yaitu 160 pelagga, dega total 8 sales. Dari hasil peelitia dega delapa loper kora da 160 pelagga diperoleh jarak terpedek sejauh 144,16 km pada iterasi ke-98 da dapat disimpulka bahwa hasil aka lebih baik jika semaki bayak iterasi yag diguaka (Yuli, 2015). Berdasarka sumber peelitia yag telah dijelaska tersebut, algoritme geetika dapat diguaka pada berbagai permasalaha seperti permasalaha optimasi peetua rute. Pada peelitia ii, algoritme geetika diguaka utuk dapat meyelesaika permasalaha optimasi peetua rute pegambila sampah megguaka multi travelig salesma problem (m-tsp). 2. SAMPAH Meurut World Health Orgaizatio (WHO), sampah merupaka suatu barag atau beda yag berasal dari aktivitas mausia, yag tidak lagi diguaka atau tidak disukai kemudia dibuag (Chadra, 2006). Pada Udag-Udag No. 18 Tahu 2008 tetag pegolaha sampah medefiisika bahwa sampah merupaka sisa kegiata sehari-hari mausia atau proses alam yag berbetuk padat. Berdasarka UU No. 18 Tahu 2008 tersebut, terdapat tiga ruag ligkup sampah yaitu sampah rumah tagga, sampah sejeis sampah rumah tagga, da sampah spesifik. Sampah rumah tagga merupaka sampah yag berasal dari kegiata dalam rumah tagga, tidak termasuk tija da sampah spesifik. Sampah sejeis sampah rumah tagga merupaka sampah yag berasal dari wilayah idustri, kawasa khusus da kawasa sosial serta fasilitas sosial da fasilitas umum. Sedagka sampah spesifik merupaka sampah
3 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2229 yag megadug baha berbahaya da beracu seperti limbah da sampah yag mucul akibat becaa atau puig bogkara bagua. 3. M-TSP Peetua rute terpedek merupaka bagia dari permasalaha Travelig Salesma Problem (TSP), amu saat ii bayak istasi pemeritah atau perusahaa-perusahaa besar yag telah siap melakuka pelayaa kepada masyarakat, seperti pegambila sampah ke berbagai tempat oleh lebih dari seorag salesma. Oleh sebab itu, diperluka pedekata berupa peetua rute yag memiliki lebih dari seorag salesma yaitu Multi Travellig Salesma Problem (m-tsp). Multi Travellig Salesma Problem (m-tsp) merupaka metode yag diguaka agar mampu memilih rute jarak terpedek yag harus dilewati amu dega beberapa orag salesma yag harus megujugi beberapa lokasi satu kali da kembali ke kota awal. Pada permasalaha m- TSP, kemugkia dari solusi alteratif yag terbetuk aka semaki bayak. Solusi alteratif juga aka semaki bayak jika terdapat lebih dari seorag salesma da memiliki lokasi kujuga yag semaki bayak. Kasus m-tsp memiliki buah yag merupaka lokasi-lokasi yag harus dikujugi oleh sejumlah m salesma. m-tsp secara matematis dapat diformulasika dalam persamaa (Nurhumam & Mahmudy, 2008): Z = mi{ i=1 j=1 c ij x ij } (1) Dega kedala, i=1 x ij = 1 utuk j = 1, 2, 3,, 1 (2) j=1 x ij = 1 utuk j = 1, 2, 3,, 1 (3) i=1 x i1 = m (4) x 1j = m Keteraga: j=1 (5) x ij = 1, apabila terdapat rute perjalaa salesma dari i meuju j x ij = 0, apabila tidak terdapat rute perjalaa salesma dari i meuju j c ij, merupaka jarak dari i meuju j 4. ALGORITME GENETIKA Algoritme geetika (Geetic Algorithms, GAs) adalah turua dari algoritme evolusi (evolutioary algorithms, EAs) yag bayak diguaka da dapat megatasi berbagai permasalaha seperti optimasi, peetua rute, pejadwala, da lai-lai. Charles Darwi megemukaka bahwa algoritme geetika ialah algoritme yag megguaka proses seleksi dega cara alamiah (Suprayogi, et al., 2014). Represetasi solusi dari sebuah permasalaha pada algoritme geetika dapat digambarka dalam suatu betuk chromosome. Chromosome ii disusu dari ge-ge berupa variabel keputusa da kemudia meghasilka solusi. Nilai chromosome dapat diilai bagus dega megguaka ilai fitess pada algoritme geetika. Chromosome yag diilai palig baik diharapka aka mejadi solusi yag medekati optimum. Tahap-tahap proses dari optimasi peetua rute pegambila sampah dega m- TSP ii secara umum ditujukka pada Gambar 1: Gambar 1. Diagram Alir Algoritme Geetika 4.1. Iisialisasi Start jml_populasi, jml_ge, jml_daerah, jml_truk Iisialisasi For it i = 1 to jml_ge - 1 Crossover Mutasi Evaluasi Seleksi Iisialisasi merupaka tahapa utuk membadigka kemudia membetuk himpua solusi baru secara acak yag terdiri dari beberapa chromosome. beberapa chromosome yag telah dibetuk tersebut kemudia ditempatka dalam sebuah populasi. Pada tahap iisialisasi awal, ukura populasi (popsize) aka ditetuka terlebih dahulu. Nilai i Hasil Optimal Fiish
4 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2230 tersebut meujukka jumlah chromosome pada setiap geerasi yag dilakuka (Mahmudy, 2015) Reproduksi Reproduksi adalah tahapa utuk medapatka idividu baru (offsprig) dari idividu yag sebelumya telah terpilih. Terdapat dua jeis operator yag dapat megembagka idividu baru yaitu tukar silag (crossover) da mutasi (mutatio). Operatoroperator tersebut atiya harus meetuka ilai yag aka diguaka dari crossover rate (Cr) da mutatio rate (Mr) utuk meetuka jumlah idividu baru yag aka terbetuk Evaluasi Evaluasi adalah tahap dasar yag terdapat pada proses seleksi. Terdapat dua hal yag dilakuka dalam melakuka evaluasi. Pertama adalah evaluasi fugsi objektif (tujua) da kedua adalah koversi fugsi objektif ke dalam fugsi fitess. Nilai fitess meyataka ilai dari kebaika solusi yag dihasilka oleh tiap idividu dalam satu populasi. Meurut Mahmudy (2015), utuk medapatka ilai fitess terdapat dua persamaa, yaitu fitess utuk maksimasi da utuk miimasi. Fitess = 100 c Keteraga: c = Total jarak (cost) 4.4. Seleksi (6) Seleksi merupaka tahapa utuk memilih idividu-idividu yag lolos dari himpua populasi da offsprig yag kemudia aka mejadi paret utuk geerasi selajutya. Pada tahap seleksi, ilai fitess diguaka utuk meetuka idividu yag lolos ke geerasi selajutya. Dalam peelitia Nugraha da Mahmudy (2015), ilai fitess yag tiggi aka memberika peluag besar terpilih mejadi iduk utuk ke geerasi selajutya (Nugraha & Mahmudy, 2015). 5. IMPLEMENTASI Atarmuka yag terdapat pada peragkat luak dalam meyelesaika permasalaha m- TSP dega studi kasus pecaria rute terpedek pegambila sampah terdiri dari dua halama, yaitu halama iput da halama output. Pada halama iput, aka ditampilka kolom yag harus diisi oleh user serta aka meampilka data matriks jarak atar lokasi pegambila sampah. Pada halama output, aka ditampilka tabel berupa tabel iisialisasi awal serta tabel hasil perhituga dari algoritme geetika Halama Iput Dalam halama iput, user aka ditampilka tabel data matriks jarak atar lokasi pegambila sampah serta user aka dimita utuk memasukka ilai data yag terdiri dari jumlah populasi, bayak geerasi, ilai crossover rate (Cr), mutatio rate (Mr), pajag kromosom yag didapat dari jumlah daerah da jumlah truk, pajag rute atau daerah pegambila sampah da jumlah truk yag diguaka utuk megagkut sampah. Tampila dari halama iput dapat dilihat pada Gambar 2. Gambar 2.Atarmuka Halama Iput 5.2. Halama Output Pada halama output, user aka ditampilka tabel iisialisasi dimaa pada tabel iisialisasi terdapat ilai dari iisialisasi awal. Selai itu, user juga dapat meampilka tabel hasil dimaa pada tabel hasil aka meampilka hasil perhituga algoritme geetika dari ilaiilai yag telah user masukka pada halama iput. Tampila halama output dari tabel iisialisasi dapat dilihat pada Gambar 3 da tampila halama output dari tabel hasil dapat dilihat pada Gambar 4.
5 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2231 Gambar 3.Atarmuka Halama Output Iisialisasi Gambar 4.Atarmuka Halama Output Hasil 6. PENGUJIAN DAN PEMBAHASAN 6.1. Pegujia Jumlah Populasi Tujua dari pegujia jumlah populasi ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia ii megguaka sebayak 1000 geerasi dega crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 da aka melakuka pegujia sebayak 5 kali dega jumlah kedaraa 10. Ukura dari populasi yag dilakuka pegujia yaitu 10, 20, 30, 40, 50, 60, 70, 80, 90, 100. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 5. Gambar 5. Hasil Pegujia Jumlah Populasi Berdasarka hasil dari pegujia jumlah populasi tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada populasi ke-100 dega rata-rata waktu eksekusi detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada iterasi ke-10 dega rata-rata waktu eksekusi 40.4 detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki bayak jumlah populasi maka aka meghasilka ilai rata-rata fitess yag semaki bagus. Bayakya populasi aka sagat mempegaruhi dalam pecaria solusi pada peragkat luak ii serta aka berpegaruh kepada waktu proses dari peragkat luak. Pada populasi ke-40, 70, da 90 terjadi peurua hal ii dikareaka pada proses iisialisasi awal berpegaruh utuk medapatka hasil optimasi dari peragkat luak karea pada iisialisasi awal, idividu dipilih secara acak sehigga pada saat proses tersebut ilai idividu tersebut sudah baik, maka proses pegujia aka meghasilka ilai-ilai yag sama utuk iterasi berikutya da aka mejadi kurag optimal. Selai itu, metode eletism selectio pada proses seleksi juga turut mempegaruhi karea pada metode tersebut haya idividu dega ilai fitess besar yag diberika kesempata utuk reproduksi, sedagka idividu dega ilai fitess yag redah tidak diberika kesempata. Padahal bisa saja solusi optimum diperoleh dari hasil reproduksi idividu dega ilai fitess yag kecil (Mahmudy, 2015). Berdasarka hasil pegujia tersebut, dapat ditarik kesimpula bahwa rata-rata waktu utuk mejalaka program aka semaki lama jika jumlah populasi semaki bayak. Rata-rata waktu yag dibutuhka pada saat mecapai 100 populasi adalah detik atau lebih dari 8 meit.
6 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2232 Gambar 6. Rata-Rata Waktu Pegujia Jumlah Populasi 6.2. Pegujia Kombiasi Crossover Rate da Mutatio Rate Tujua dari pegujia kombiasi crossover rate da mutatio rate ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia kombiasi ii megguaka ukura populasi sebayak 50, jumlah kedaraa 10 da aka mejalaka 1000 geerasi yag kemudia aka melakuka pegujia sebayak 5 kali. Hasil pegujia kombiasi ii dapat dilihat pada Gambar 7. Gambar 7. Hasil Pegujia Kombiasi Berdasarka hasil dari pegujia kombiasi tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada kombiasi crossover rate 0.3 da mutatio rate 0.7 dega rata-rata waktu eksekusi detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada kombiasi crossover rate 1 da mutatio rate 0 dega rata-rata waktu eksekusi 266 detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki tiggi ilai mutatio rate maka aka meghasilka ilai rata-rata fitess yag semaki bagus Pegujia Jumlah Kedaraa Pegagkut Sampah Pegujia ii dilakuka agar megetahui pegaruh waktu serta megetahui jumlah kedaraa yag optimal utuk megagkut sampah. Jumlah kedaraa pegagkut sampah aka diiputka dega bilaga atara 2 sampai 10. Pegujia ii megguaka ukura populasi sebayak 50 dega mejalaka pegujia sebayak 1000 geerasi da crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 serta aka melakuka pegujia sebayak 5 kali. Jumlah kedaraa yag dilakuka pegujia yaitu 2, 4, 6, 8, 10. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 8. Gambar 8. Hasil Pegujia Jumlah Kedaraa Pegagkut Sampah Berdasarka hasil dari pegujia jumlah kedaraa pegagkut sampah tersebut, bahwa ilai rata-rata fitess palig besar adalah yag terjadi pada saat jumlah kedaraa berjumlah 4 dega rata-rata waktu eksekusi 2.2 detik da ilai rata-rata fitess palig kecil adalah yag terjadi pada saat jumlah kedaraa berjumlah 10 dega rata-rata waktu eksekusi detik. Dari hasil tersebut dapat ditarik kesimpula bahwa semaki bayak jumlah kedaraa maka aka meghasilka ilai rata-rata fitess yag semaki kurag bagus karea aka meghasilka ilai cost yag semaki redah. Hal ii dikareaka ilai cost dari setiap kedaraa didapatka dari titik awal keberagkata kedaraa yaitu dari Dias Kebersiha da Pertamaa (DKP) meuju daerah-daerah yag ditetuka kemudia aka berakhir di Tempat Pembuaga Akhir (TPA) Pegujia Bayak Geerasi Pegujia terakhir adalah pegujia bayak geerasi terhadap ilai fitess. Tujua dari pegujia bayak geerasi ii adalah agar medapatka hasil solusi terbaik dalam meetuka jalur pegambila sampah. Pegujia bayak geerasi ii megguaka ukura populasi sebesar 50 da jumlah kedaraa 10. Ukura geerasi yag dilakuka pegujia yaitu 100, 200, 300, 400, 500, 600, 700, 800, 900, 1000 dega crossover rate (Cr) 0.4 da mutatio rate (Mr) 0.6 da aka
7 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2233 melakuka pegujia sebayak 5 kali. Hasil pegujia jumlah populasi dapat dilihat pada Gambar 10. Gambar 9. Hasil Pegujia Bayak Geerasi Berdasarka hasil pegujia tersebut, dapat ditarik kesimpula bahwa jumlah geerasi tidak terlalu berdampak kepada rata-rata waktu utuk mejalaka program. Rata-rata waktu tertiggi terjadi pada saat bayak geerasi mecapai 300 geerasi yag meghasilka rata-rata waktu detik atau lebih dari 4 meit. Gambar 10. Rata-Rata Waktu Pegujia Bayak Geerasi 7. KESIMPULAN Berdasarka hasil dari peelitia da pegujia yag telah dilakuka pada peelitia ii, dapat ditarik kesimpula bahwa: 1. Algoritme geetika dapat diterapka utuk meyelesaika permasalaha Multi- Travellig Salesma Problem dalam peetua rute terpedek atar lokasi pegambila sampah di Kota Depasar dega meghasilka biaya yag miimal. Tahap-tahap algoritme geetika yag diguaka pada peelitia ii adalah represetasi kromosom yag diguaka pada tahap iisialisasi populasi awal dega permutasi, lalu pada tahap reproduksi megguaka oe-cut poit utuk proses crossover da megguaka exchage mutatio utuk proses mutasi. Tahap terakhir yaitu seleksi yag megguaka elitism selectio. 2. Pegukura dari kualitas terbaik pada peelitia yag telah dilakuka adalah dega meetuka parameter algoritme geetika agar dapat memperoleh solusi yag terbaik da optimal. Sesuai dega hasil pegujia, didapat bahwa semaki bayak jumlah populasi maka aka meghasilka ilai rata-rata fitess yag semaki bagus. Aka tetapi jaga terlalu bayak karea jika jumlah populasi terlalu bayak, dapat membuat jala program mejadi lambat. Jumlah populasi yag mecapai rata-rata ilai fitess tertiggi yaitu 100 dega ilai fitess rata-rata yaitu Utuk hasil pegujia kombiasi Cr da Mr, hasil solusi terbaik terjadi pada saat ilai Cr 0.3 da ilai Mr 0.7 dega ilai rata-rata fitess adalah Lalu hasil dari pegujia jumlah kedaraa pegagkut sampah terbaik terjadi pada saat jumlah kedaraa berjumlah 4 dega rata-rata fitess yaitu Sedagka utuk bayak geerasi, semaki bayak geerasi yag dijalaka maka aka meghasilka ilai rata-rata fitess yag semaki baik. Bayak geerasi yag mecapai rata-rata ilai fitess tertiggi yaitu pada geerasi ke-900 dega rata-rata ilai fitess yaitu Dari hasil peelitia tersebut, sara yag dapat diberika da yag mejadi pertimbaga utuk peelitia lebih lajut yaitu agar dapat meambahka beberapa parameter atau kriteria peelitia seperti volume atau kapasitas dari kedaraa pegagkut sampah da tempat pembuaga semetara, dapat meambahka waktu perjalaa atar daerah pegambila sampah, da juga dapat meambahka faktorfaktor lai seperti tigkat kemaceta jala. Selai itu, algoritme geetika juga dapat meyelesaika permasalaha multi-travellig salesma problem laiya. DAFTAR PUSTAKA Chadra, B., Pegatar Kesehata Ligkuga. Jakarta: EGC. Hidup, K. L., Kemeteria Ligkuga Hidup. [Olie] Available at: dialog-peagaa-sampahplastik/ [Diakses 2 Februari 2017]. Hutami, D. W., Implemetasi Algoritma
8 Jural Pegembaga Tekologi Iformasi da Ilmu Komputer 2234 Nearest Isertio Heuristic da Modified Nearest Isertio Heuristic pada Optimasi Rute Kedaraa Pegagkut Sampah. Program Tekologi Iformasi da Ilmu Komputer: Uiversitas Brawijaya. Jog Jek, S., Matematika Diskrit da Aplikasiya pada Ilmu Komputer. 3th peyut. Yogyakarta: ANDI Yogyakarta. Mahmudy, W. F., Algoritma Evolusi. Fakultas Ilmu Komputer: Uiversitas Brawijaya. Nugraha, D. C. A. & Mahmudy, W. F., Optimasi Vehicle Routig Problem with Time Widows Pada Distribusi Katerig Megguaka Algoritma Geetika. Semiar Nasioal Sistem Iformasi Idoesia. Nurhumam, S. D. & Mahmudy, W. F., Optimasi Multi Travellig Salesma Problem (M-TSP) pada Mobil Patroli Polisi dega Algoritma Heuristic Assigmet Fisher-Jaikumar da Algoritma A*. Kursor, Volume 4, pp SKPD, Lapora Akutabilitas Kierja Istasi Pemeritah (LAKIP), Kota Depasar: Dias Kebersiha da Pertamaa. Suprayogi, D. A., Mahmudy, W. F. & Furqo, M. T., Optimasi Rute Atar Jemput Laudry Dega Time Widows (TSPTW) Megguaka Algoritma Geetika. DORO, 3(12), pp Wirdasari, D., Teori Graph Da Implemetasiya Dalam Ilmu Komputer. Jural Saitikom, Volume 10, pp Yuli, F., Multi Travelig Salesma Problem (Mtsp) Dega Algoritma Geetika Utuk Meetuka Rute Loper Kora Di Age Surat Kabar.
PENGARUH 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 terperinciOptimasi Fungsi Tak Berkendala Menggunakan Algoritma Genetika Terdistribusi dengan Pengkodean Real
Optimasi Fugsi Tak Berkedala Megguaka Algoritma Geetika Terdistribusi dega Pegkodea Real Waya Firdaus Mahmudy Program Studi Ilmu Komputer, Fakultas MIPA, Uiversitas Brawijaya, Malag, Idoesia wayafm@ub.ac.id
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperincisimulasi selama 4,5 jam. Selama simulasi dijalankan, animasi akan muncul pada dijalankan, ProModel akan menyajikan hasil laporan statistik mengenai
37 Gambar 4-3. Layout Model Awal Sistem Pelayaa Kedai Jamoer F. Aalisis Model Awal Model awal yag telah disusu kemudia disimulasika dega waktu simulasi selama 4,5 jam. Selama simulasi dijalaka, aimasi
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian ini adalah penelitian pengembangan (research and
BAB III METODE PENELITIAN A. Jeis Peelitia Jeis peelitia ii adalah peelitia pegembaga (research ad developmet), yaitu suatu proses peelitia utuk megembagka suatu produk. Produk yag dikembagka dalam peelitia
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Daerah peelitia adalah Kota Bogor yag terletak di Provisi Jawa Barat. Pemiliha lokasi ii berdasarka pertimbaga atara lai: (1) tersediaya Tabel Iput-Output
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 terperinciIV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota
IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
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 terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di PT. Bak Bukopi, Tbk Cabag Karawag yag berlokasi pada Jala Ahmad Yai No.92 Kabupate Karawag, Jawa Barat da Kabupate Purwakarta
Lebih terperinciBAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA
BAB II METODOLOGI PENGENDALIAN DAN ALGORITMA GENETIKA II.1 Pegedali Modus Lucur Sistem o-liier dimodelka dalam persamaa status pada persamaa (2.1) berikut ii: x &( = f ( + B( u(...(2.1) dega x ( merupaka
Lebih terperinciBAB III METODE PENELITIAN
22 BAB III METODE PENELITIAN 3.1. Metode Peelitia Pada bab ii aka dijelaska megeai sub bab dari metodologi peelitia yag aka diguaka, data yag diperluka, metode pegumpula data, alat da aalisis data, keragka
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 terperinciMETODE PENELITIAN. Penelitian tentang Potensi Ekowisata Hutan Mangrove ini dilakukan di Desa
III. METODE PENELITIAN A. Lokasi da Waktu Peelitia Peelitia tetag Potesi Ekowisata Huta Magrove ii dilakuka di Desa Merak Belatug, Kecamata Kaliada, Kabupate Lampug Selata. Peelitia ii dilaksaaka atara
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 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 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
31 Flowchart Metodologi Peelitia BAB III METODOLOGI PENELITIAN Gambar 31 Flowchart Metodologi Peelitia 18 311 Tahap Idetifikasi da Peelitia Awal Tahap ii merupaka tahap awal utuk melakuka peelitia yag
Lebih terperinciKeterkaitan Karakteristik Pergerakan di Kawasan Pinggiran Terhadap Kesediaan Menggunakan BRT di Kota Palembang
C463 Keterkaita Karakteristik di Kawasa Piggira Terhadap Kesediaa Megguaka BRT di Kota Palembag Dia Nur afalia, Ketut Dewi Martha Erli Hadayei Departeme Perecaaa Wilayah da Kota, Fakultas Tekologi Sipil
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Kegiata peelitia ii dilaksaaka pada bula Mei 2011 bertempat di Dusu Nusa Bakti, Kecamata Serawai da Dusu Natai Buga, Kecamata Melawi yag merupaka
Lebih terperinciPENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI
Halama Tulisa Jural (Judul da Abstraksi) Jural Paradigma Ekoomika Vol.1, No.5 April 2012 PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Oleh : Imelia.,SE.MSi Dose Jurusa Ilmu Ekoomi da Studi Pembagua,
Lebih terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciBAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat
BAB III METODOLOGI PENELITIAN 3.1. Jeis da Sumber Data Jeis peelitia yag aka diguaka oleh peeliti adalah jeis peelitia Deskriptif. Dimaa jeis peelitia deskriptif adalah metode yag diguaka utuk memperoleh
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 terperinciIII. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain
III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)
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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di halaman Pusat Kegiatan Olah Raga (PKOR) Way Halim Bandar Lampung pada bulan Agustus 2011.
III. METODE PENELITIAN A. Tempat da Waktu Peelitia Peelitia ii dilaksaaka di halama Pusat Kegiata Olah Raga (PKOR) Way Halim Badar Lampug pada bula Agustus 2011. B. Objek da Alat Peelitia Objek peelitia
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciLaboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
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
Lebih terperinci= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik
Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu
Lebih terperinciBAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,
BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi
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 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 terperinciPERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER
ISSN : 2338-4018 PERANCANGAN DAN PEMBUATAN APLIKASI DECISION SUPPORT SYSTEM (DSS) UNTUK PREDIKSI PERMINTAAN KEBUTUHAN BERAS SECARA MULTIUSER Agik Damai Istato (agik_damai@yahoo.co.id) Muhammad Hasbi (mhasbi@sius.ac.id)
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 PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian tindakan kelas yang dilaksanakan pada siswa
III. METODE PENELITIAN A. Settig Peelitia Peelitia ii merupaka peelitia tidaka kelas yag dilaksaaka pada siswa kelas VIIIB SMP Muhammadiyah 1 Sidomulyo Kabupate Lampug Selata semester geap tahu pelajara
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS DI DESA KATERBAN MENGGUNAKAN METODE WEIGHTED PRODUCT SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PENERIMA JAMKESMAS DI DESA KATERBAN MENGGUNAKAN METODE WEIGHTED PRODUCT SKRIPSI Diajuka Utuk Memeuhi Sebagia Syarat Gua Memperoleh Gelar Sarjaa Komputer (S.Kom) Pada
Lebih terperinciANALISIS SISTEM ANTRIAN PADA LOKET PENDAFTARAN PASIEN DI PUSKESMMAS PADANG PASIR KECAMATAN PADANG BARAT
Jural Sais da Tekologi Vol 7 o 2, Desember 27 ANALISIS SISTEM ANTRIAN ADA LOKET ENDAFTARAN ASIEN DI USKESMMAS ADANG ASIR KECAMATAN ADANG BARAT Ali Suta Nasutio, Seira Mutia 2 Tekik Idustri Sekolah Tiggi
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciOPTIMASI MULTI TRAVELLING SALESMAN PROBLEM (M-TSP) PADA MOBIL PATROLI POLISI DENGAN ALGORITMA HEURISTIC ASSIGNMENT FISHER-JAIKUMAR DAN ALGORITMA A*
OPTIMASI MULTI TRAVELLING SALESMAN PROBLEM (M-TSP) PADA MOBIL PATROLI POLISI DENGAN ALGORITMA HEURISTIC ASSIGNMENT FISHER-JAIKUMAR DAN ALGORITMA A* Sati Dwi Nurhumam 1 Waya Firdaus Mahmudy (wayafm@brawijaya.ac.id)
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 terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jural Pegembaga Tekologi Iformasi da Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2902-2908 http://j-ptiik.ub.ac.id Optimasi Fugsi Keaggotaa Fuzzy Iferece System Tsukamoto dega Particle
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 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 V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
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 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 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 terperinciBAB III METODE PENELITIAN. Lokasi penelitian ini dilakukan di Puskesmas Limba B terutama masyarakat
38 3.1 Lokasi da Waktu Peelitia 3.1.1 Lokasi Peelitia BAB III METODE PENELITIAN Lokasi peelitia ii dilakuka di Puskesmas Limba B terutama masyarakat yag berada di keluraha limba B Kecamata Kota Selata
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 terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciBAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa
54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah
Lebih terperinciPENYUSUNAN RUTE PENGIRIMAN ES BALOK DI PT. XYZ MENGGUNAKAN METODE FISHER AND JAIKUMAR ALGORITHM
PENYUSUNAN RUTE PENGIRIMAN ES BALOK DI PT. XYZ MENGGUNAKAN METODE FISHER AND JAIKUMAR ALGORITHM Wahyudi Sutopo 1 Yuiaristato 1 Beradet Rosita Widiyati 2 Abstract: The ehicle Routig ca arraged usig Fisher
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 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 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 terperinciBAB II METODOLOGI PENELITIAN. kualitatif. Kerangka acuan dalam penelitian ini adalah metode penelitian
BAB II METODOLOGI PEELITIA 2.1. Betuk Peelitia Betuk peelitia dapat megacu pada peelitia kuatitatif atau kualitatif. Keragka acua dalam peelitia ii adalah metode peelitia kuatitatif yag aka megguaka baik
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 terperinciOPTIMASI SITE LAYOUT MENGGUNAKAN MULTI-OBJECTIVES FUNCTION (Studi Kasus Pada Proyek Pembangunan Graha Rektorat Universitas Negeri Malang Tahap III)
OPTIMASI SITE LAYOUT MENGGUNAKAN MULTI-OBJECTIVES FUNCTION (Studi Kasus Pada Proyek Pembagua Graha Rektorat Uiversitas Negeri Malag Tahap III) NASKAH PUBLIKASI Diajuka utuk memeuhi sebagia persyarata memperoleh
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 terperinciIII BAHAN DAN METODE PENELITIAN. memelihara itik Damiaking murni di Kampung Teras Toyib Desa Kamaruton
III BAHAN DAN METODE PENELITIAN 3.1 Baha da Alat Peelitia 3.1.1 Telur Tetas Itik Damiakig Baha yag diguaka dalam peelitia ii adalah telur tetas itik Damiakig berasal dari iduk yag dipelihara secara ekstesif
Lebih terperinciBAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum,
32 BAB III METODOLOGI PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di PT. INKA yag terletak di Jl. Yos Sudarso o 71 Madiu, utuk medapatka gambara kodisi tempat peelitia secara umum, termasuk kegiata-kegiata
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 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 terperinciIII. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI MIA SMA Negeri 5
III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas I MIA SMA Negeri 5 Badar Lampug Tahu Pelajara 04-05 yag berjumlah 48 siswa. Siswa tersebut
Lebih terperinciANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN Erie Sadewo
ANALISIS TABEL INPUT OUTPUT PROVINSI KEPULAUAN RIAU TAHUN 2010 Erie Sadewo Kodisi Makro Ekoomi Kepulaua Riau Pola perekoomia suatu wilayah secara umum dapat diyataka meurut sisi peyediaa (supply), permitaa
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciANALISIS SISTEM ANTRIAN PELAYANAN NASABAH DI PT. BANK NEGARA INDONESIA (PERSERO) TBK KANTOR CABANG UTAMA USU
Saitia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 277 287. ANALISIS SISTEM ANTRIAN PELAYANAN NASABAH DI PT. BANK NEGARA INDONESIA (PERSERO) TBK KANTOR CABANG UTAMA USU Siti Aria R. Harahap
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI III.1 Peambaga Teks (Text Miig) Text Miig memiliki defiisi meambag data yag berupa teks dimaa sumber data biasaya didapatka dari dokume, da tujuaya adalah mecari kata-kata yag dapat
Lebih terperinciPEMBAHASAN SALAH SATU PAKET SOAL UN MATEMATIKA SMA PROGRAM IPS TAHUN PELAJARAN 2012/2013
http://asyikyabelajar.wordpress.com PEMBAHAAN ALAH ATU PAKET OAL UN MATEMATIKA MA PROGRAM IP TAHUN PELAJARAN 0/0. Igkara dari peryataa emua makhluk hidup memerluka air da oksige adalah... A. emua makhluk
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciIII. METODE PENELITIAN. Lokasi penelitian dilakukan di Provinsi Sumatera Barat yang terhitung
42 III. METODE PENELITIAN 3.. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di Provisi Sumatera Barat yag terhitug mulai miggu ketiga bula April 202 higga miggu pertama bula Mei 202. Provisi Sumatera
Lebih terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
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 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI0939 APLIKASI PERBAIKAN KONTRAS PADA CITRA RADIOGRAFI GIGI MENGGUNAKAN KOMBINASI METODE HISTOGRAM EQUALIZATION DAN FAST GRAY LEVEL GROUPING (Kata kuci: Fast gray level groupig,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1.Tempat da Waktu Peelitia ii dilakuka di ligkuga Kampus Aggrek da Kampus Syahda Uiversitas Bia Nusatara Program Strata Satu Reguler. Da peelitia dilaksaaka pada semester
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciKLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE
KLASIFIKASI MUTASI JABATAN STRUKTURAL PEGAWAI NEGERI SIPIL MENGGUNAKAN METODE DECISION TREE Yati, I Ketut Edy Purama, da Surya Sumpeo Tekik Elektro,Istitut Tekologi Sepuluh Nopember Alamat: Gedug B, C
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciMETODE PENELITIAN. Subyek dalam penelitian ini adalah siswa kelas XI IPA 1 SMA Wijaya Bandar
III. METODE PENELITIAN A. Settig Peelitia Subyek dalam peelitia ii adalah siswa kelas XI IPA 1 SMA Wijaya Badar Lampug, semester gajil Tahu Pelajara 2009-2010, yag berjumlah 19 orag terdiri dari 10 siswa
Lebih terperinci