BAB II TINJAUAN PUSTAKA
|
|
- Sri Susman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA Revew Peneltan Sebelumnya 2.1. Pengembangan model matematk horson waktu dskret optmal untuk penjadwalan job banyak operas tunggal pada mesn alternatf [Sukendar, 2007] Notas a. Hmpunan H = hmpunan mesn alternatf untuk mengerjakan job. b. Indeks = job h = mesn k = slot waktu c. Parameter N = jumlah job W = bobot job D = Duedate job K = horson waktu t h = waktu pengerjaan job pada mesn h, dmana h H H hk = konstanta yang menunjukkan ketersedaan mesn h pada slot k. P k = ketersedaan operator pada slot waktu k d. Varabel keputusan C = saat selesa pengerjaan job. C h = saat selesa pengerjaan job pada mesn h X h =varabel bner 0-1 yang menyatakan bahwa job dkerjakan oleh mesn h C hk = varabel bner 0-1, bernla 1 jka job yang dkerjakan pada mesn h dselesakan pada slot waktu k, bernla 0 bla tdak. 6
2 T = Tardness job E = Earlness job t = waktu pengerjaan job X hk = varabel bner 0-1, bernla 1 jka job pada slot waktu k menggunakan mesn h, bernla 0 bla untuk yang lan B = Saat mula pengerjaan job. e. Ukuran performans Z = total tardness tertmbang Asums Semua job danggap terseda pada waktu k=1 Waktu pengerjaan job sudah mencakup waktu set up. Pengerjaan suatu job nonpreemptve. Horson waktu K danggap cukup panjang untuk menyelesakan semua job, C K untuk semua. Perumusan model Perumusan fungs tujuan : Fungs tujuan adalah mnmsas total tardness tertmbang Mnmas Z w T (1) Perumusan fungs pembatas: a. Pembatas fungs tardness. T E C D 0, (2) b. Pembatas yang menyatakan bahwa saat selesa pengerjaan job adalah lebh besar atau sama dengan waktu pengerjaannya. C t, (3) c. Pembatas waktu pengerjaan job 7
3 t th X h, ; h; h H ; H H; H (4) h d. Pembatas penjamn bahwa setap job hanya dkerjakan oleh satu mesn h X 1,, h, h H ; H H, H (5) h e. Pembatas saat selesa pengerjaan job pada mesn h. Pembatas n menyatakan bahwa saat selesa pengerjaan job pada mesn h adalah lebh besar atau sama dengan waktu pengerjaan job pada mesn h C t,, h; h H ; H H; H (6) h h h C C,, h; h H ; H H; H (7) h f. Pembatas yang menentukan waktu akhr penyelesaan setap job pada masng-masng mesn. Karena c hk sama dengan nol kecual dalam saat waktu akhr penyelesaan, maka penjumlahan pada ruas kanan adalah sama dengan k kal 1, dmana k adalah waktu akhr penyelesaan k C k C,, h; h H ; H H; H (8) hk h g. Pembatas penjamn bahwa job pada tap mesn h hanya dselesakan sekal sepanjang horson waktu. k C 1,, h; h H ; H H; H (9) hk h. Pembatas blangan bner untuk menjamn secara mutlak hanya satu mesn yang terplh dalam pengerjaan job,1,, h; h H ; H H H X 0 ; (10) h. Pembatas bner bag varabel keputusan C hk,1,, h, k; h H ; H H H C 0 ; (11) hk j. Pembatas penggunaan mesn. Pembatas n untuk menjamn bahwa jka job tersebut dselesakan pada slot waktu k, maka antara slot waktu (kt +1) sampa k pengerjaan job tersebut menggunakan mesn h. C hl klk tm 1 X hk,, h, k; h H ; H H; H (12) 8
4 k. Pembatas ketersedaan mesn pada tap slot waktu. Pembatas n menjamn bahwa pemakaan mesn tdak boleh melebh satu. X H, h, k; h H ; H H; H (13) hk hk l. Pembatas bner bag varabel keputusan X hk,1,, h, k; h H ; H H H X 0 ; (14) hk m. Pembatas saat awal pengerjaan job. B C t 1, (15) 2.1. Pengembangan model matematk horson waktu dskret heurstk untuk penjadwalan job banyak operas tunggal pada mesn alternatf [Sukendar, 2007] Notas a. Hmpunan H = hmpunan mesn alternatf untuk mengerjakan job. b. Indeks = job h = mesn k = slot waktu c. Parameter N = jumlah job W = bobot job D = Duedate job K = horson waktu t h = waktu pengerjaan job pada mesn h, dmana h H H hk = konstanta yang menunjukkan ketersedaan mesn h pada slot k. P k = ketersedaan operator pada slot waktu k d. Varabel keputusan 9
5 C = saat selesa pengerjaan job. C h = saat selesa pengerjaan job pada mesn h X h =varabel bner 0-1 yang menyatakan bahwa job dkerjakan oleh mesn h C hk = varabel bner 0-1, bernla 1 jka job yang dkerjakan pada mesn h dselesakan pada slot waktu k, bernla 0 bla tdak. T = Tardness job E = Earlness job t = waktu pengerjaan job X hk = varabel bner 0-1, bernla 1 jka job pada slot waktu k menggunakan mesn h, bernla 0 bla untuk yang lan B = Saat mula pengerjaan job. e. Ukuran performans Z = total tardness tertmbang Asums Semua job danggap terseda pada waktu k=1 Waktu pengerjaan job sudah mencakup waktu set up. Pengerjaan suatu job nonpreemptve. Horson waktu K danggap cukup panjang untuk menyelesakan semua job, C K untuk semua. Algortma penjadwalan : 1. Urutkan job mula dar job yang mempunya D terpendek sampa job yang mempunya D terpanjang (ascendng). Jka D sama, urutkan job mula dar job yang mempunya w terbesar sampa job yang mempunya w terkecl (descendng). Jka w sama, urutkan job secara random. Msal a menyatakan urutan job. 2. Tetapkan a=1 3. Tetapkan h=1, hh a, H a = 1 4. Tetapkan k=1 10
6 5. Untuk l=k sampa l=k+ t ah 1 jka H hl 1 dan P l 1, lanjutkan ke langkah 6. Jka tdak, tetapkan k=k+1 lalu ulang langkah 5 6. Buat jadwal temporer, tetapkan B ah =k; X ahl =1 l, l=k sampa l=k+t ah -1; C ah =B ah + t ah -1; H hl =H hl -1, P l =P l -1 untuk l, l=k sampa l=k+ t ah 1; Htung Z ah, Z ah =max(c ah -D a, 0).w a lalu lanjutkan ke lngkah 7 7. Jka h<m a, tetapkan h=h+1, (hh a, H a =1) lalu kembal ke langkah 4. Jka tdak lanjutkan ke langkah 8 8. Bandngkan Z ah, t ah. Plh jadwal yang memberkan Z ah terkecl, Z ah *. Jka Z ah sama, plh jadwal yang memberkan t ah terkecl, t ah *. Jka, t ah sama, plh jadwal secara random. h terplh adalah h* dan l terplh adalah l*. Lanjutkan ke langkah 9 9. Set jadwal tetap : B ah*, X ah*l*, C ah*, H h*l*, dan P l*. Lanjutkan ke langkah Reset jadwal temporer yang lannya : B ah, X ahl, C ah, H hl, dan P l Lanjutkan ke langkah Jka a<n, tetapkan a=a+1 lalu kembal ke langkah 3. Jka tdak hentkan algortma Algortma n dgambarkan dalam flowchart pada Gambar 2. 11
7 Urutkan job mula dar job yang mempunya D terpendek sampa job yang mempunya D terpanjang (ascendng), jka D sama, urutkan job mula dar job yang mempunya w terbesar sampa job yang mempunya w terkecl (descendng), jka w sama, urutkan job secara random. Msal a adalah urutan job Tetapkan a=1 Tetapkan h=1, hh a, H a =1 tetapkan h=h+1 Tetapkan k=1 tetapkan k=k+1 Untuk l=k sampa l=k+t ah -1 Jka H hl 1 dan P l 1 tdak ya Buat jadwal temporer B ah =k; X ahl =1 l, l = k sampa l = k+t ah -1; C ah =B ah + t ah -1 H hl = H hl - 1, P l = P l - 1 untuk l, l = k sampa l = k + t ah 1 Htung Z ah, Z ah = max (C ah -D a, 0).w a tdak Jka h M a Bandngkan Z ah, Z ah Plh jadwal yang memberkan Z ah terkecl, Z ah *. Jka Z ah sama, plh jadwal yang memberkan t ah terkecl, t ah *. Jka, t ah sama, plh jadwal secara random. h terplh adalah h* dan l terplh adalah l* ya Set jadwal tetap B ah*, X ah*l*, C a*h*, H h*l*, dan P l* Reset jadwal lannya : B ah, X ahl, C ah, H hl, dan P l tetapkan a=a+1 Jka a N tdak ya Selesa Gambar 2. Flowchart Algortma penjadwalan job majemuk operas tunggal 12
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciSEBUAH MODEL PEMROGRAMAN BILANGAN BULAT UNTUK PENYELESAIAN MASALAH PENJADWALAN SUMBER MAJEMUK PARALEL SIMULTAN
SEBUAH MODEL PEMROGRAMAN BILANGAN BULAT UNTUK PENYELESAIAN MASALAH PENJADWALAN SUMBER MAJEMUK PARALEL SIMULTAN Parwad Moengn dan Fela Indah Kusuma Jurusan Teknk Industr, Unverstas Trsakt ABSTRACT Manufaturng
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciAPLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )
APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciPemilihan Lokasi Kontinyu (1)
Pemlhan Lokas Kontnu 1 - Model Dasar - 6 Oleh : Debrna Puspta Andran Teknk Industr, Unverstas Brawjaa e-mal : debrna@ub.ac.d www.debrna.lecture.ub.ac.d Medan method Gravt method Contour-Lne method Weszfeld
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciAbstraksi. Abstraksi. Abstraksi. Property SP (single short shortest path) 4/29/2010. Berapa pa th yang mungkin dari garaph G tadi?
Termnolog Sngle source shortest path djkstra wjanarto Djkstra s algorthm d paka untuk menemukan shortest path dar satu source ke seluruh vertek dalam graph. Algo n menggunakan 2 hmp node yatu S dan C.
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciPENENTUAN SPBU KANTONG UNTUK KEMASAN BIOSOLAR JALUR PANTURA LOSARI-BATANG JAWA TENGAH MENGGUNAKAN ALGORITMA BREADTH-FIRST SEARCH
PENENTUAN SPBU KANTONG UNTUK KEMASAN BIOSOLAR JALUR PANTURA LOSARI-BATANG JAWA TENGAH MENGGUNAKAN ALGORITMA BREADTH-FIRST SEARCH Leopoldus Rcky Sasongko, Lyda Nnuk Rahayu, Alberth Roy Kota,, Program Stud
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007
RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan
Lebih terperinciBab 1 Ruang Vektor. R. Leni Murzaini/0906577381
Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN Latar elakang Sekolah merupakan salah satu bagan pentng dalam penddkan Oleh karena tu sekolah harus memperhatkan bagan-bagan yang ada d dalamnya Salah satu bagan pentng yang tdak dapat dpsahkan
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciPenyelesaian Masalah Transshipmen Dengan Metoda Primal-Dual Wawan Laksito YS 2)
ISSN : 69 7 Penyelesaan Masalah Transshpmen Dengan Metoda Prmal-Dual Wawan Laksto YS ) Abstrak Masalah Pemndahan Muatan adalah masalah transportas yang melbatkan sambungan yang harus dlewat. Obektnya adalah
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON
PENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos 1, Pabelan,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciCatatan Kuliah 13 Memahami dan Menganalisa Optimasi dengan Kendala Ketidaksamaan
Catatan Kulah 3 Memaham dan Menganalsa Optmas dengan Kendala Ketdaksamaan. Interpretas Konds Kuhn Tucker Asumskan masalah yang dhadap adalah masalah produks. Secara umum, persoalan maksmsas keuntungan
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciTHE ECONOMICS OF MARRIAGE & DIVORCE
THE ECONOMICS OF MARRIAGE & DIVORCE Mnggu-7 Istqlalyah Muflkhat 2 Aprl 2013 Page 1 Fakta d USA Angka pernkahan per 1000 penduduk Angka perceraan per 1000 penduduk Umur medan lak-lak pertama menkah (th)
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinci( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) IV. PEMBAHASAN
8 IV PEMBAHASAN 4 Aum Berkut n aum yang dgunakan dalam memodelkan permanan a Harga paar P ( merupakan fung turun P ( kontnu b Fung baya peruahaan- C ( fung baya peruahaan- C ( merupakan fung nak C ( C
Lebih terperinciPENGURUTAN DATA. A. Tujuan
PENGURUTAN DATA A. Tuuan Pembahasan dalam bab n adalah mengena pengurutan data pada sekumpulan data. Terdapat beberapa metode untuk melakukan pengurutan data yang secara detl akan dbahas ddalam bab n.
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciPertemuan ke-4 Analisa Terapan: Metode Numerik. 4 Oktober 2012
Pertemuan ke-4 Analsa Terapan: Metode Numerk 4 Oktober Persamaan Non Non--Lner: Metode NewtonNewton-Raphson Dr.Eng. Agus S. Muntohar Metode Newton Newton--Raphson f( f( f( + [, f(] + = α + + f( f ( Gambar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciDIMENSI PARTISI GRAF GIR
Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,
Lebih terperinciPENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE
PERSETUJUAN PENYELESAIAN PROGRAM LINEAR SASARAN GANDA MENGGUNAKAN METODE SIMPLEKS MULTIFASE SKRIPSI Telah dsetuju dan dsyahkan pada tanggal: 3 November 2010 Untuk dpertahankan ddepan Dewan Penguj Skrps
Lebih terperinciTEORI KESALAHAN (GALAT)
TEORI KESALAHAN GALAT Penyelesaan numerk dar suatu persamaan matematk hanya memberkan nla perkraan yang mendekat nla eksak yang benar dar penyelesaan analts. Berart dalam penyelesaan numerk tersebut terdapat
Lebih terperinciPerencanaan Kebutuhan Tenaga Kerja dengan Teknik Shojinka di Sistem Make To Order Kendala Penyisipan Job dalam On-going Schedule
Prosdng Semnar asonal Teknon 01 ISB o. 978-979-96964-3-9 Perencanaan Kebutuhan Tenaga Kerja dengan Teknk Shojnka d Sstem Make To Order Kendala Penyspan Job dalam On-gong Schedule Arf Rahman 1) Purnomo
Lebih terperinci2.1 Sistem Makroskopik dan Sistem Mikroskopik Fisika statistik berangkat dari pengamatan sebuah sistem mikroskopik, yakni sistem yang sangat kecil
.1 Sstem Makroskopk dan Sstem Mkroskopk Fska statstk berangkat dar pengamatan sebuah sstem mkroskopk, yakn sstem yang sangat kecl (ukurannya sangat kecl ukuran Angstrom, tdak dapat dukur secara langsung)
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Matematka dbag menjad beberapa kelompok bdang lmu, antara lan analss, aljabar, dan statstka. Ruang barsan merupakan salah satu bagan yang ada d bdang
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciIII PEMODELAN MATEMATIS SISTEM FISIK
34 III PEMODELN MTEMTIS SISTEM FISIK Deskrps : Bab n memberkan gambaran tentang pemodelan matemats, fungs alh, dagram blok, grafk alran snyal yang berguna dalam pemodelan sstem kendal. Objektf : Memaham
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciBAB II TINJAUAN PUSTAKA. George Boole dalam An Investigation of the Laws of Thought pada tahun
BAB II TINJAUAN PUSTAKA 2.1 Aljabar Boolean Barnett (2011) menyatakan bahwa Aljabar Boolean dpublkaskan oleh George Boole dalam An Investgaton of the Laws of Thought pada tahun 1954. Dalam karya n, Boole
Lebih terperinciBAB 3 PRINSIP INKLUSI EKSKLUSI
BAB 3 PRINSIP INKLUSI EKSKLUSI. Tentukan banyak blangan bulat dar sampa dengan 0.000 yang tdak habs dbag 4, 6, 7 atau 0. Jawab: Msal: S = {, 2, 3, 4, 5,..., 0.000} a = {sfat habs dbag 4} a 2 = {sfat habs
Lebih terperinciBAB V TEOREMA RANGKAIAN
9 angkaan strk TEOEM NGKIN Pada bab n akan dbahas penyelesaan persoalan yang muncul pada angkaan strk dengan menggunakan suatu teorema tertentu. Dengan pengertan bahwa suatu persoalan angkaan strk bukan
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciUKURAN GEJALA PUSAT &
UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel
Lebih terperinciMODEL MATEMATIKA HORISON WAKTU DISKRET HEURISTIK UNTUK PENJADWALAN PRODUKSI OPERASI TUNGGAL PADA MESIN ALTERNATIF
MODEL MATEMATIKA HORISON WAKTU DISKRET HEURISTIK UNTUK PENJADWALAN PRODUKSI OPERASI TUNGGAL PADA MESIN ALTERNATIF Irwan Sukendar, ST, MT Jurusan Teknik Industri FTI Universitas Islam Sultan Agung Email:
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciAPLIKASI SISTEM LINEAR MAX-PLUS INVARIANT PADA SISTEM PRODUKSI TEMPE SUPER DANGSUL DI YOGYAKARTA
APLIKASI SISTEM LINEAR MAX-PLUS INVARIANT PADA SISTEM PRODUKSI TEMPE SUPER DANGSUL DI YOGYAKARTA A7 Hendra Lstya Kurnawan 1, Musthofa 2 1 Mahasswa Program Stud Matematka Jurusan Penddkan Matematka FMIPA
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciMANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN
MANAJEMEN LOGISTIK & SUPPLY CHAIN MANAGEMENT KULIAH 3: MERANCANG JARINGAN SUPPLY CHAIN By: Rn Halla Nasuton, ST, MT MERANCANG JARINGAN SC Perancangan jarngan SC merupakan satu kegatan pentng yang harus
Lebih terperinciMODEL OPTIMAL SISTEM TRANSPORTASI ANGKUTAN KOTA
ODEL OPTIAL SISTE TRANSPORTASI ANGKUTAN KOTA PRAPTO TRI SUPRIYO Departemen atematka Fakultas atematka dan Ilmu Pengetahuan Alam Insttut Pertanan Bogor Jl erant, Kampus IPB Darmaga, Bogor 16680 Indonesa
Lebih terperinciContoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.
BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata
Lebih terperinci3 METODE HEURISTIK UNTUK VRPTW
12 3 METODE HEURISTIK UNTUK VRPTW 3.1 Metode Heurstk Metode heurstk merupakan salah satu metode penentuan solus optmal dar permasalahan optmas kombnatoral. Berbeda dengan solus eksak yang menentukan nla
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Penjadwalan Penjadwalan menurut Baker (1993, p) adalah alat bantu yang pentng dalam proses produks d suatu ndustr bak tu berupa barang maupun jasa. Dmana penjadwalan memlk pengaruh
Lebih terperinciELEKTRONIKA ANALOG. Bab 2 BIAS DC FET Pertemuan 5 Pertemuan 7. Oleh : ALFITH, S.Pd, M.Pd
ELEKTONKA ANALOG Bab 2 BAS D FET Pertemuan 5 Pertemuan 7 Oleh : ALFTH, S.Pd, M.Pd 1 Pemran bas pada rangkaan BJT Masalah pemran bas rkatan dengan: penentuan arus dc pada collector yang harus dapat dhtung,
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembal Informas KULIAH #9 Text Clusterng Clusterng Pengelompokan, penggerombolan Proses pengelompokan sekumpulan obyek ke dalam kelas-kelas obyek yang memlk sfat sama. Unsupervsed learnng JAS
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciIII. METODOLOGI PENELITIAN
44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls
Lebih terperinciDidownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN
BAB I PENDAHULUAN Sebuah jarngan terdr dar sekelompok node yang dhubungkan oleh busur atau cabang. Suatu jens arus tertentu berkatan dengan setap busur. Notas standart untuk menggambarkan sebuah jarngan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.4 Teor Graf Sebelum sampa pada pendefensan masalah lntasan terpendek, terlebh dahulu pada bagan n akan durakan mengena konsep-konsep dasar dar model graf dan representasnya dalam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Kamus Buku acuan yang memuat kata dan ungkapan, basanya dsusun menurut abjad berkut keterangan tentang makna, pemakaan, atau terjemahannya, kamus juga dsebut buku yang memuat
Lebih terperinciKritikan Terhadap Varians Sebagai Alat Ukur
Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang
Lebih terperinciKAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC. memiliki derajat maksimum dan tidak ada titik yang terisolasi. Jika n i adalah
BAB III KAJIAN DAN ALGORITMA PELABELAN PSEUDO EDGE-MAGIC III. Batas Bawah Magc Number pada Pelabelan Total Pseudo Edge-Magc Teorema 3.. Anggap G = (,E) adalah sebuah graf dengan n-ttk dan m-ss dan memlk
Lebih terperinciUKURAN LOKASI, VARIASI & BENTUK KURVA
UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciBADAN PUSAT STATISTIK KABUPATEN JAYAPURA
BADAN PUSAT STATISTIK KABUPATEN JAYAPURA BADAN PUSAT STATISTIK KABUPATEN JAYAPURA Sensus Penduduk 2010 merupakan sebuah kegatan besar bangsa Badan Pusat Statstk (BPS) berdasarkan Undang-undang Nomor 16
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciOptimasi Perencanaan Hasil Produksi dengan Aplikasi Fuzzy Linear Programming (FLP)
Semnar Nasonal Waluyo Jatmko II FTI UPN Veteran Jawa Tmur Optmas Perencanaan Hasl Produks dengan Aplkas Fuzzy Lnear Programmng (FLP) Akhmad Fauz Jurusan Teknk Informatka UPNV Veteran Jawa Tmur Emal: masuz@upnatm.ac.d
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciRekayasa Trafik Telekomunikasi
Rekayasa Trafk Telekomunkas TEU9948 INDAR SURAHMAT emodelan Interval Waktu engetahuan yang mendasar pemodelan nterval waktu adalah teor robabltas engetahuan Dasar robabltas Jka A dan B kejadan sembarang,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciBab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak
Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan
Lebih terperinciTHE ECONOMICS OF MARRIAGE & DIVORCE. Minggu-11 Page 1
THE ECONOMICS OF MARRIAGE & DIVORCE Mnggu-11 Page 1 Page 2 Page 3 Page 4 Fakta d USA 1950 2001 2010 Angka pernkahan per 1000 penduduk Angka perceraan per 1000 penduduk Umur medan lak-lak pertama menkah
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciAPLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH. Yuni Yulida dan Muhammad Ahsar K
Jurnal Matematka Murn dan Terapan Vol. 3 No. Desember 009: 4-6 APLIKASI PERKONGRUENAN DALAM MENYELESAIKAN SISTEM PERSAMAAN LINEAR DUA PEUBAH Yun Yulda dan Muhammad Ahsar K Program Stud Matematka Unverstas
Lebih terperinci