PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : PT. SINAR KENCANA INTERMODA SURABAYA)

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : PT. SINAR KENCANA INTERMODA SURABAYA)"

Transkripsi

1 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : SINAR KENCANA INTERMODA SURABAYA) Rh Desy Ff Rul 1), Purbd 2), Eto Wuryto 3) 1)3) Progrm Stud S1 Iforms, Fkults Ss d Tekolog, Uversts Arlgg Surby 1) rh.desy -13@fst.ur.c.d 2) purbd@fst.ur.c.d 3) eto-w@fst.ur.c.d Abstrct Segmets pelgg dlh sebuh kuc perush dlm megktk hubug deg pelgg. Dlm hl segmets pelgg deg megguk Dt Mg merupk slh stu hl yg dpt memberk keutug bg sebuh perush dlm Alss terhdp CRM. Peelt bertuju utuk peerp lgortm k-mes utuk membetuk segmets pelgg, sehgg dpt megethu tgkt potesl pelgg. Alss dt dlkuk deg du cr ytu pembobot RFM utuk meghslk bobot RFM dm rececy merupk trsks terkhr, frequecy merupk jumlh trsks yg dlkuk d moetry yg merupk totl by trsks yg telh dlkuk. Setelh tu brulh dkelompokk deg metode k-mes. Dr hsl evlus sstem ddptk bhw pegelompokk pelgg pd ktergor memlk l presetse 54,3%, ktegor sebesr 21,8% d MGC sebesr 23,9%. Utuk kesmpul peggu k-mes ddptk bhw setp peetu l cetrod secr ck yg berbed, k meghslk pegelompokk d hsl ters yg berbed. Keywords Segmets Pelgg, Alss RFM, Clusterg K-Mes, Dt Mg. I. PENDAHULUAN Pelgg merupk sumber keutug d kehdup bg perush sepert hly pd bss d bdg logstk. St dpt dktk bhw dustr logstk sudh mejd red oce dustry kre pem dlm bdg ush sudh sgt byk. Slh stu strteg yg dpt dguk perush dlm memperthk pelgg dlh Customer Reltoshp Mgemet (CRM) (We dkk, 2013) (Rto & Setyohd, 2017). Segmets pelgg merupk sebuh kuc perush dlm megktk hubug deg pelgg. PT Sr Kec Itermod sebg slh stu perush js yg berdr d bdg logstk. Perush mely js pegrm brg mut besr deg coter tu kpl bk ke dlm eger mupu ke lur eger. pectt dt trsks pd perush logstk sudh terkomputerss deg bk, mu dt yg drekm hy sebts mejd rsp rwyt pejul d kedl yg dhdp perush dlm megethu perlku pelgg dlh jumlh dt yg terus bertmbh, yg kemud mejdk kedl dlm ls pelgg secr mul. D jug phk perush hy megguk dt tersebut utuk megmt tgkt keutug yg dperoleh perush berdsrk tp pejul setp perodey. Byky perush yg berdr d bdg js pegrm logstk membut perush berush meerpk Customer Reltoshp Mgemet (CRM). Kosep CRM yg yg telh dterpk terkt deg pegelol keluh tu kompl dr pelgg. Hl tu bertuju utuk megktk pely kepd pr customer. Nmu demk, dr sejumlh customer yg d, PT Sr Kec Itermod belum memlk sutu pemet dr customer tersebut. Tp dy forms mk perush msh meerpk perlku yg sm pd seluruh customer. Pdhl, slh stu kosep petg dlm CRM dlh memberk pely yg berbed kepd customer sesu deg kotrbus merek kepd perush. Berbg peelt telh dlkuk utuk megelompokk customer yg dkel deg stlh customer segmetto. Kosep pd dsry berush megelompokk customer berdsrk kesm krkterstk tertetu yg dmlky. Alss Bss Dt d Dt Mg merupk dsr-dsr Customer Reltoshp Mgemet (CRM). Dlm hl segmets pelgg deg megguk Dt Mg merupk slh stu hl yg dpt memberk keutug bg sebuh perush 418

2 dlm Alss terhdp CRM (Brdr, 2011). Tekk dt mg yg dguk utuk mecr segmets kosume dlh megguk tekk clusterg. K-Mes merupk slh stu metode dt oherrchcl clusterg yg dpt megelompokk dt ke dlm beberp cluster berdsrk kemrp dr dt tersebut, sehgg dt yg memlk krkterstk yg sm dkelompokk dlm stu cluster d yg memlk krkterstk yg berbed dkelompokk dlm cluster yg l. clusterg seljuty k dkelompokk utuk meetuk segmets kosume megguk model Rececy Frequecy Moetry (RFM). Model RFM merupk model utuk meetuk segmets kosume berdsrk Rececy (kp trsks terkhr dlkuk?), frequecy (tgkt keserg pelgg trsks?), d moetry (besry l trsks yg dlkuk). II. METODE PENILITIAN A. Pegumpul Dt Tekk pegumpul dt yg dguk pd peelt deg stud ltertur dlkuk deg cr memhm d mempeljr lebh medlm bgm peerp lgortm k- Mes deg RFM utuk customer segmetto. Dt bersl dr dt trsks pd PT Sr Kec Itermod selm perode Jur Desember B. Pegelol Dt d Iforms Pegolh dt dlkuk terhdp dt utm dr hsl pegumpul bh dokume Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg WP(Frequecy)=AP(Frequecy)xRW(Frequecy) yg dbutuhk utuk lgortm. Dlm thp (2) pegolh dt k dlkuk proses reduks dt d Trsforms dt yg dguk utuk pembobot RFM. C. Alss Dt dr Pegolh dt d Iforms yg telh dolh k meghslk dt sp olh yg seljuty k dlkuk pember skor RFM d perhtug K-Mes secr mul.. Pember Skor RFM Berdsrk tur RFM, bobot l dpt dtetuk secr sgfk tergtug kebutuh perush. Atur dlm perhtug skor RFM sebg berkut (Avl, 2011) : Meetuk ssged pots (AP) utuk setp RFM sbh. Assged pots utuk setp metrcs R, F d M. Dm AP sedr merupk l yg dguk dlm pel msg-msg metrcs. Meetuk weghted pots (WP) utuk metrks R, F, d M. Skor yg dperoleh utuk msg-msg R, F d M yg dguk utuk dklk deg reltve weght utuk meghslk weghted pots. Dm WP merupk fktor pegl dlm po pembobot. Berkut pejels utuk meghtug skor pd Rececy, frequecy d moetry: 1) Rececy Peetu Assged Pots ddptk deg megethu kebutuh dr perode yg g dlss. kemud k ddptk skor perhtug sesu deg kebutuh lss. Kemud, utuk perhtug Weghted Pots dklk deg Reltve weght yg berl 5. Sehgg rumus peetu bobot WP sepert pd Persm 1. WP(Rececy) = AP (Rececy) x RW (Rececy (1) Keterg : WP(Rececy) = Weghted Pots pd l Rececy AP (Rececy) = Assged Pots pd l Rececy RW (Rececy) = Reltve weght pd l Rececy (RW=5). 2) Frequecy AP pd frequecy merupk hsl jumlh trsks yg dlkuk tp customer, kemud utuk l WP sedr ytu l AP dklk deg l RW yg dtetpk ytu 2.Sehgg rumus peetu bobot WP sepert pd Persm 2. Keterg : WP(Frequecy) = Weghted Pots pd l Frequecy AP (Frequecy) = Assged Pots pd l Frequecy RA (Frequecy) = Reltve weght pd l Frequecy (RW=2). 3) Moetry Meetuk Assged Pots deg megklk l trsks deg 0,1%. Kemud, utuk perhtug Weghted Pots dklk deg Reltve weght yg berl 3. Sehgg rumus WP dtemuk sepert pd persm 3. WP(Moetry)=AP(Moetry)xRW(Moetry) (3) Keterg : 419

3 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg WP(Moetry) = Weghted Pots pd l Moetry. AP (Moetry) = Assged Pots pd l Moetry. RA (Moetry) = Reltve weght pd l Moetry (RW=3). b. Perhtug k-mes Thp dr Algortm K-Mes dlh sebg berkut : 1) Meetuk jumlh cluster Megkelompokk mejd tg cluster, yg k mempermudh user dlm medefsk pol trsks pejul mege segmets pelgg. 2) Meetuk l cetrod wl deg megmbl secr ck objek dt. 3) Meghtug jrk tr ttk cetrod deg tp ttk objek. 4) Kedekt du objek dtetuk berdsrk jrk kedu objek tersebut. Demk jug kedekt sutu dt ke cluster tertetu dtetuk jrk tr dt deg pust cluster. Dlm thp perlu dhtug jrk tp dt ke tp pust cluster. Jrk plg dekt tr stu dt deg stu cluster tertetu k meetuk sutu dt msuk dlm cluster m. Utuk meghtug jrk dr objek ke cluster pd thp megguk rumus Euclde dstce spce sepert pd Persm 4, (Agust, 2007) : (, ) = = (4) Keterg : = Objek dt = Cetrod P = Dmes dt D = Jrk 5) Meetuk kembl pust cluster yg bru. Deg cr meghtug rt-rt dr keggot cluster yg sekrg. 6) Melkuk pegloks semu objek ke cluster terdekt deg cetord yg bru. Lkuk pegloks semu objek ke cluster terdekt deg cetrod yg bru. Apbl d objek yg berpdh cluster, ulg lg lgkh ke 4. 7) Jk objek d yg berpdh cluster mk proses clusterg seles. D. Percg Percg megguk skem System Flow Dgrm utuk meggmbrk ktfts yg terjd pd sstem mul dr wl smp khr. Flowchrt tersebut bers lur sstem yg dreck. Deg megguk put berup trbut-trbut yg dperluk. Kemud put dt tersebut dproses deg metode clusterg d Algortm K-Mes. Sehgg ddptk pegelompokk pelgg berdsrk cluster-cluster dr dt yg telh d msukk. Kemud dlm percg sstem des User Iterfce drcg utuk megethu tmpl sstem yg k d mplemetsk dlm bb seljuty. E. Implemets Dlm peerp clusterg K-Mes pd customer segmetto berbss RFM dmplemetsk mellu plks berbss desktop yg megguk bhs pemrogrm Jv deg tools NetBes IDE Bss dt yg dguk dlh MySQL deg megguk Dtbse Mgemet Systems (DBMS) php My Adm. Proses berjly sstem dgmbrk deg pejels lgortm pd setp thp utuk medptlk hsl khr dr ls clusterg K-Mes. F. Peguj Peguj sstem dperluk utuk meguj seberp juh sebuh sstem dpt mejlk fugsy deg bk. Adpu tekk peguj yg dguk utuk meguj Peerp Clusterg K-Mes pd Customer Segmetto berbss RFM dlh tekk blckbox testg. Seljuty peguj dlkuk deg melht vldts sstem ytu kesm perhtug tr sstem deg perhtug mul. G. Evlus Evlus dlkuk deg melht lss hsl pd pecr cluster yg optml sert lss krkterstk pelgg. Evlus sstem jug dguk utuk melht bgm kerj lgortm k-mes dlm pegelompokk pd customer segmetto. III. HASIL DAN PEMBAHASAN A. Pegumpul Dt. Tekk pegumpul dt yg dguk dlm peelt dlh : 1) Stud ltertur dlkuk utuk mempeljr hl-hl yg berkt deg pemhm d fktor-fktor yg berpegruh terhdp customer segmetto sert peerp metode k-mes. Fktor yg berpegruh terhdp customer segmetto d PT Sr Kec Itermod Surby dlh deg megguk model RFM, dm Rececy merupk trsks terkhr yg dlkuk, Frequecy merupk tgkt keserg pelgg trsks d Moetry sedr merupk byky trsks yg dlkuk perush. 420

4 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg 2) Wwcr dlkuk pd bg Mrketg perush utuk megethu bgm pol trsks yg dlkuk perush, vs ms d trbut-trbut yg dguk pd trsks. 3) Pegumpul bh dokume dmbl pd peelt dlm kuru wktu 3 thu ytu thu 2013 smp Dt trsks tersebut dperoleh dr Dvs bg Akuts yg megtur pectt trsks pd pelgg. B. Pegolh Dt d Iforms Dt yg dperoleh dr dt trsks pelgg dr PT Sr Kec Itermod Surby kemud dolh utuk megmbl trbut p sj yg dbutuhk utuk peerp lgortm. Dlkuk reduks dt gr memudhk dlm proses lss d meyesuk deg trbut-trbut yg ty dguk utuk pember skor pd Rececy, Frequecy d Moetry. Sehgg trbut yg dguk pd proses lss dt ytu d pelgg, m pelgg, tggl trsks d by. C. Alss Dt 1) Perhtug Skor Rececy. Rececy Dlm meghtug skor bobot rececy (l R) mk dt yg dbutuhk merupk trbut yg meujukk dy retg wktu trsks terkhr pelgg deg perode lss, sehgg trbut yg dbutuhk dlh trbut tggl trsks. Utuk meghtug l WP rececy sepert yg terter pd Persm 1. Adpu cr utuk mghtug besry WP dr msg-msg customer dlh sebg berkut :. Astmuly Mdr (R1) ( ) = ( ) ( ) WP (R1): l weghted pots dr PT Astmuly Mdr. AP R1 : l ssged pots dr rececy utuk customer 1 = 20. RW R : l reltve weght dr rececy = 5. ( 1) = 20 5 = 100. b. Frequecy Utuk meghtug skor bobot frequecy (l F) mk dt yg dbutuhk merupk trbut yg mempresetsk berp kl pelgg trsks. Krter ddpt deg melht dr berp byk pelgg deg m yg sm mucul dlm dt trsks. Atrbut yg dbutuhk dlh trbut tggl trsks yg dhtug jumlhy. Utuk jvmeghtug l WP frequecy sepert yg terter pd Persm 2. Adpu cr meghtug besry WP dr msgmsg customer dlh sebg berkut :. Astmuly Mdr (F1) ( ) = ( ) ( ) WP (F1) :l weghted pots frequecy dr PT Astmuly Mdr. AP F1 :l ssged pots dr frequecy utuk customer 1=278. RW F : l reltve weght dr frequecy = 2. ( 1) = = 556. c. Moetry Utuk meghtug skor bobot moetry (l M) mk dt yg dbutuhk merupk trbut yg berhubug deg hrg yg telh dhbsk pelgg selm trsks, sehgg trbut yg dbutuhk dlh trbut hrg totl yg hrus dbyr pelgg. Utuk meghtug l WP moetry sepert yg terter pd Persm 3. Adpu cr meghtug besry WP dr msgmsg customer dlh sebg berkut :. Astmuly Mdr (M1) ( ) = ( ) ( ) WP (M1) : l weghted pots moetry dr PT Astmuly Mdr. AP M1 : l ssged pots dr moetry utuk customer 1= RW M : l reltve weght dr moetry = 3. ( 1) = = perhtug RFM dpt dlht pd Tbel 5. 2) Perhtug Algortm k-mes Berkut merupk thp clusterg pd customer segmetto deg megguk metode k-mes secr mul : 1. Meetuk Jumlh cluster Thp pertm dlh meetuk jumlh cluster, dlm sstem k meghslk 3 kelompok yg ddettsk semetr, C2 d C3. Dm merupk Below Zeroes (), C2 dlh Most Growble Customer (MGC) d C3 dlh Most Vluble Customer (). 2. Tetuk l cetrod wl deg megmbl secr ck dr objek dt. 421

5 Utuk meetuk l cetrod wl dpt dmbl secr ck dr l pd objek. Dtetuk cetrod secr ck utuk cluster pertm ytu dmbl dr Objek ke 14 ytu Nur Jy ytu 10, 76 d Llu utuk cluster yg kedu ytu dmbl dr Objek ke 13 ytu Tmurry Idustry Chemcls ytu 100, 1166 d Sedgk utuk cluster ke tg dmbl dr Objek ke 1 ytu Astmuly Mdr ytu 100, 556 d Aloksk semu objek ke cluster terdekt. Kedekt du objek dtetuk berdsrk jrk kedu objek tersebut. Demk jug kedekt sutu dt ke cluster tertetu dtetuk jrk tr dt deg pust cluster. Dlm thp perlu dhtug jrk tp dt ke tp pust cluster. Jrk plg dekt tr stu dt deg stu cluster tertetu k meetuk sutu dt msuk dlm cluster m. Utuk meghtug jrk dr objek ke cluster pd thp megguk rumus Euclde dstce spce sepert pd persm 2.4. Sepert pd objek ke 1 ytu memlk dt dr WP Rececy, WP Frequecy d WP Moetry berturut-turut dlh 100, 56 d kemud dhtug jrky deg cluster pertm, kedu d ketg. Utuk meghtug jrk objek customer kepd Objek ke 1 deg cluster pertm lh : Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg Jrk dr objek ke = ((100 10) + (556 76) lgkhy + ( sm deg 23160) pecr ) l cetrod hy sj dt yg dguk merupk = ,81 dt yg mejd keggoty C2, begtu Mk jrk tr objek ke-stu deg dlh jug utuk mecr l cetrod pd C ,81. Seljuty meghtug jrk tr objek deg cluster2 (C2) ytu: Jrk dr objek ke C2 = Apbl objek berpdh cluster, ulg lg (( ) + ( ) + ( ) lgkh ke 4 deg memk pust cluster = ,89 yg bru. Jk d objek yg berpdh Mk jrk tr objek ke-stu deg C2 dlh ,89. Kemud meghtug jrk tr cluster mk proses clusterg seles. Pd perhtug k-mes utuk megethu objek deg cluster 3 (C3) ytu: hsl pegelompokk pelgg memerluk Jrk dr objek ke C3= cetrod khr pd proses clusterg. (( ) + ( ) + ( ) ) Tbel 1 cetrod khr. = 0 Mk jrk tr objek ke-stu deg C3 dlh 0. Lgkh dlkuk pd semu objek sehgg setp objek k dkethu jrk pd setp cluster. Setelh dkethu jrk tr objek deg setp cluster mk utuk meetuk kelompok utuk msg-msg objek deg memlh jrk yg terkecl. Sepert hly objek ke-stu memlk jrk ,81 pd, ,89 pd C2 d 0 pd C3. Dr ketg jrk tersebut 0 merupk jrk terkecl, mk objek ke-1 terletk pd kelompok C3, begtupul pd semu objek ly. ters pertm dpt dlht pd Tbel Meetuk kembl pust cluster yg bru. Deg cr meghtug rt-rt dr keggot cluster yg sekrg. Pd Iters pertm yg dpt dlht pd Tbel 4.13, memlk 16 ggot. Mk utuk meetuk cetrod pd ters kedu dlh deg mecr rt-rt dr dt 16 objek yg telh mejd keggoty ytu Objek ke 2,7,9,11,14,21,22,23,24,27,29,33,36,38,41,44 d 45 deg melht WP rececy. Cetrod pertm = 27,8 Utuk megethu cetrod kedu dr dhtug dr jumlh Frequecy deg melht WP frequecy, mk hsl cetrod kedu pd dlh sebg berkut : Cetrod kedu = 139,9 Sedgk utuk megethu cetrod ketg dr jumlh Moetry deg melht WP moetry, mk hsl cetrod kedu pd dlh sebg berkut : Cetrod ketg = 45104,2 Utuk C2 memlk 12 ggot ytu Objek ke 6,13,16,17,18,23,26,34 d 43 d C3 memlk 18 ggot ytu Objek ke 1,4,5,8,10,12,15,19,20,28,35,37,39,40,42 d 46. Utuk meetuk l cetrod pd C2 5. Aloksk objek pd cluster terdekt deg megguk cetrod yg bru. ters sebyk 6 kl. Tbel 4 merupk hsl C R F M. Kel C2 C Redh Tgg Sedg Kteg or Deg rt-rt cetrod yg dperoleh pd memlk cetrod 20721,86, C2 memlk cetrod ,8 d C3 memlk rtrt cetrod 69819,49. Utuk meetuk detts cluster ytu dktegork tgg pbl l rt-rt cetrod pd cluster tersebut lebh besr drpd yg l, dktegork Sedg jk rt-rt cetrod pd cluster tersebut MV C MG C

6 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg dtr l tertgg d teredh, sert dktegork Redh pbl cetrod pd cluster tersebut yg teredh. Dlm perbdg mk dperoleh hsl merupk kelompok Redh, C2 merupk kelompok Tgg d C3 merupk kelompok Sedg. terkhr dr perhtug k-mes deg lss RFM pd 46 dt Trsks terdpt pd Tbel 4.20, yg merupk hsl dr ters khr. D. Percg Percg sstem dgmbrk deg System Flow Dgrm utuk meggmbrk ktfts utm yg dlkuk oleh sstem dr wl sstem djlk smp deg seles. Gmbr dbwh meujukk System Flow Dgrm yg meggmbrk proses yg terjd pd sstem. Gmbr 1. System flow dgrm sstem. E. Implemets sstem Pd sub bb k dbhs mege Grphcl User Iterfce (GUI) d Algortm utuk plks clusterg pd Customer Segmetto deg model RFM. O bj Tbel 2. Akhr pegelompokk deg perhtug k-mes. Nm Astmuly Mdr Persd Mrs Kwd o Plstc Herl Idh Idh Kt Pulp & Pper The Uveus Sury Ms Okmoto Logstcs N Mult Moder Nustr Mul Ssmt Bhkt Rejek Trsdo Tms Supldo Tmurry Idustry C. Nur Jy Sr Eess Idh Jyms Medk Phrmd o Rmpg K. Lous & Rococo Clus ter Ket 1) Algortm Dlm mplemets sstem, peggu lgortm dbut utuk meggmbrk proses- sstem. proses dlm pembut plks Adpu Obj C3 MGC C3 MGC 27 C3 MGC 28 C C3 MGC C3 MGC C3 MGC 35 C C3 MGC 38 C2 39 C2 40 C Trt C Luks Setos Ar Multkry CV Nugrh Kry Rolmex Km Nusms C2 46 Nm Ptj Ng Prksy Mul Iso Elektr Btg Arst S. Phoex Ierto l Joyo Bu Ad Sury Segr Sor Agro As Sury Tm Nct Utm Jy Tjwkm Ruku Jy Mdr Mtr Arth Sejhter Mrtus Prtm Nugrh Kry Bek Ms Idh Sr Ekss Jy Cemerl g Jy Bm Setos Kry Ko Idoes Cumbct Ageg Wgust Gdg Mur Clust er C2 C2 C3 C3 C2 C3 C2 Ket MGC 423

7 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg gmbr umum Algortm sstem dpt dlht pd Gmbr dbwh. 4. Hlm clusterg k-mes Gmbr 2. Algortm Umum 2) Grphcl User Iterfce 1. Hlm home Gmbr 3.Tmpl hlm Home dr sstem. Gmbr 4.User Iterfce pd hlm put dt. 2. Hlm rfm scorg 3. BEGIN 1. Import Dt Trsks 2. Meghtug l weghted pots 2.1 WP rececy 2.2 WP frequecy 2.3 WP moetry 3. pegelompokk oleh k-mes 3.1 meeetuk cetrod ck 3.2 perhtug utuk pegelompokk k-mes 4. Lht Alss cluster END Gmbr 5.User Iterfce Hlm rfm scorg Gmbr 6 User Iterfce Hlm clusterg k- Mes. F. Peguj Peguj sstem dlkuk deg du cr ytu metode blck box testg d uj vldts sstem. 1) Peguj blckbox.. Hlm wl. No Tbel 3. Peguj blckbox hlm wl. Test Cse 1 Tek tombol put dt 2 Tek tombol rfm scorg 3 Tek tombol k- Mes 4 Tek dsembrg tempt Hrp ppu Kelur membuk hlm put dt ppu ppu ppu Uj Tdk b. Hlm Iput dt Tbel 4. Peguj blckbox hlm Iput dt. N o Test Cse 1 Tek tombol put dt 2 Tek tombol rfm scorg 3 Tek tombol k- Mes 4 Tek dsembr g tempt 5 Iput pd form ber Hrp ppu Kelur membuk hlm rfm scorg ppu meymp dt yg telh dputk ke dlm Uj Tdk 424

8 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg 6 Iput legkp 7 Iput sesu formt pd dtbse dtbse d memuculk pd tbel Memuculk otfks ggl meymp Memuculk otfks ggl meymp c. Hlm RFM Scorg Tbel 5. Peguj blckbox hlm RFM Scorg N o Test Cse 1 Tek tombol put dt 2 Tek tombol rfm scorg 3 Tek tombol k- Mes 4 Tek dsembr g tempt 5 Tek tombol meghtug weghted pots Hrp ppu Kelur membuk hlm rfm scorg ppu meghtu g Uj Tdk d. Hlm k-mes clusterg Tbel 6. Peguj blckbox hlm k-mes. N o Test Cse 1 Tek tombol put dt 2 Tek tombol rfm scorg 3 Tek tombol k- Mes 4 Tek dsembr g tempt 5 Iput l k (cluster) 6 Tek tombol htug k- Mes Hrp ppu Kelur membuk hlm put dt membuk hlm rfm scorg ppu meetpk l k sesu deg put perhtug sesu deg metode, kemud memplk d meymp hsl pd Uj Tdk dtbse 2) Peguj vldts sstem. Vldts sstem dlkuk utuk megethu tgkt kurs dr vlds sstem. Evlus sstem dhtug deg membdgk hsl output sstem deg hsl output mul. Presetse l vlds sstem deg hsl mul pd mcrosoft excel sudh sesu tu vld. Perbdg peguj vldts sstem dpt dlht pd Tbel dbwh. Tbel 7. Perbdg hsl perhtug pd mul d sstem. No Mul Kels Kels 1 C3 C C3 C3 5 C3 C3 6 C2 C2 7 8 C3 C C3 C C3 C3 13 C2 C C3 C3 16 C2 C2 17 C2 C2 18 C2 C2 19 C3 C C2 C C2 C C2 C C3 C3 32 C3 C C2 C2 35 C3 C C2 C Tdk G. Evlus Evlus sstem dlkuk deg melht hsl presetse pd tbel tersebut yg ddptk bhw pelgg pd ktergor memlk l presetse 54,3%, ktegor sebesr 21,8% d MGC sebesr 23,9%. 425

9 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg Utuk megethu bgm hsl perhtug lgortm k-mes, hsl pd perhtug sstem k dbdgk deg megguk l cetrod wl secr rdom pd sstem. Percob dlkuk sebyk 10 kl d deg put l cluster (l k=3). Tbel 8. Tbel hsl peguj perhtug k-mes deg sstem. Peguj ke Cetrod wl (Dt ke-) Kelompok C2 C Iters Dr hsl peguj perhtug k-mes pd Tbel dts, dpt dktk bhw setp peetu l cetrod secr ck yg berbed, k meghslk pegelompokk d hsl ters yg berbed jug A. Smpul IV. SIMPULAN DAN SARAN Setelh dlkuk peerp customer segmetto deg meerpk clusterg k- Mes berbss RFM pd PT Sr Kec Itermod Surby, mk dpt dmbl kesmpul sebg berkut : 1. Dlm peelt dlkuk lss dt berup du thp, ytu :. Perhtug Skor RFM. Pember bobot RFM dguk deg meghtug msg-msg trbut berup Rececy yg merupk tggl terkhr trsks, Frequecy yg merupk byky trsks yg dlkuk d Moetry yg merupk totl by trsks yg dlkuk tp customer. b. Clusterg deg megguk lgortm k-mes. Setelh megethu bobot dr RFM, seljuty brulh dlkuk peerp lgortm k-mes. Perhtug k-mes dlkuk deg meetuk jumlh cluster, seljuty memlh cetrod wl secr ck. Kemud dhtug jrk tr ttk cetrod deg tp ttk objek yg telh dplh. Seljuty meetuk kembl pust cluster yg bru d pegloks semu objek ke cluster terdekt deg cetrod yg bru. Yg terkhr, jk objek d yg berpdh cluster mk proses clusterg seles Dlm peelt dlkuk utuk melht sstem yg telh dbgu utuk duj fugsoltsy megguk blckbox testg d peguj vldts sstem. Uj vldts sstem dlkuk deg membdgk hsl perhtug mul deg sstem yg kemud dperoleh hsl yg sesu tu vld. 3. evlus mejelsk bhw pegelompokk deg megguk k- Mes meghslk sebesr 54,3%, 21,8% d MGC sebesr 21,8%. Seljuty, evlus yg d merupk pejbr tetg hsl percob yg telh dlkuk d uj cob sstem ketk perhtug k-mes deg l cetrod secr ck pd sstem. yg ddptk bhw setp peetu l cetrod secr ck yg berbed k meghslk pegelompokk yg berbed. Hl terkt deg kekurg pegelompokk deg k-mes, ketk l k dslss secr rdom sehgg pegelompokk yg dhslk dpt berbed. B. Sr Beberp sr yg peuls smpk bg pegembg peelt tr l dlh: 1. Megguk metode l sepert metode eurl etwork (bckpropgto, forwrd chg tu metode ly). 2. Dhrpk sel mempertmbgk vlds sstem jug mempertmbgk kurs sstem. Sehgg sstem yg dbgu dpt dmftk secr optml sebg med forms. 3. Utuk pegembg tekolog, sstem yg dbgu berbss Adrod. 4. Kompoe dt lss vrbel yg dguk perlu dkembgk secr lebh lus dlm, cotoh jumlh putg, d ll. DAFTAR PUSTAKA Agust, Y. (2007). K-Mes-Peerp, permslh d Metode Terkt. Jurl d Iformtk Vol. 3 (Pebrur 2007), Futsu, K., & Hsegw, K. (2011). Kowledge- Oreted Applctos Dt Mg. I D. Brt, Dt Mg Usg RFM Alyss (p. 91). Id: INTECH Ope Access Publsher. H, J., Kmber, M., & Pe, J. (2012). Dt Mg : Cocept d Techque. USA: Elsever Ic. All rghts reserved. 426

10 Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg Kumr, V., &Rertz, Werer (2012). Customer Reltoshp Mgemet: Cocepts, Strtegy d Tools. New York : Sprger- Verlg Berl Hedelberg Tsptss, Kosttos; Choropoulos, Atoos. (2009). Dt Mg Techques CRM : Isde Customer Segmetto. Uted Kgdom: Joh Wley & Sos, Ltd Og, J. O. (2013). Implemets Algortm K- Mes Clusterg utuk Meetuk Strteg Mrketg Presdet Uversty. Jurl Ilmh Tekk Idustr, Vol. 12, No. 1. Rto,& Setyohd (2017) Megukur Kesp Implemets Customer Reltoshp Mgemet (CRM) Model Applcto Servce Provder (ASP) pd Ush Mkro Kecl Meegh (UMKM) d Idoes. Jourl of Iformto Systems Egeerg d Busess Itellgece. Vol. 3 No

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Ltr Belkg Smp st, model Regres d model Alss Vrs telh dpdg sebg du hl g tdk berkt. Meskpu merupk pedekt g umum dlm meergk kedu cr pd trf permul, model Alss Vrs dpt dpdg sebg hl khusus model

Lebih terperinci

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange Prktkum. Iterpols Ler, Kudrtk, Poloml d Lgrge PRAKTIKUM Iterpols Ler, Kudrtk, Poloml, d Lgrge Tuju : Mempeljr berbg metode Iterpols g d utuk meetuk ttkttk tr dr buh ttk deg megguk sutu fugs pedekt tertetu.

Lebih terperinci

Dr.Eng. Agus S. Muntohar Department of Civil Engineering

Dr.Eng. Agus S. Muntohar Department of Civil Engineering Pertemu ke-7 Persm Ler Smult Oktober 0 Metode Iters Guss-Sedel Dr.Eg. Agus S. Mutohr Deprtmet of Cvl Egeerg Metode Guss-Sedel Merupk metode ters. Prosedur umum: - Selesk ser lbr vrbel tdk dkethu msg-msg

Lebih terperinci

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA)

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA) BAB 1 Alss Vrs stu fktor Sgle Fctor Alss Of Vrce (ANOVA) ANALISIS VARIANSI SATU FAKTOR D MetStt 1 sudh dkel uj hpotess rt-rt du populs A d B g berdstrbus Norml Bgm jk terdpt lebh dr du populs? Alss vrs

Lebih terperinci

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Prktkum 8 Peyeles Persm Ler Smult Metode Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metode Elms Guss Tuju : Mempeljr metode Elms Guss utuk peyeles persm ler smult Dsr Teor : Metode Elms Guss merupk

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Megethu rcg d eses. Megethu model ler 3. Meuruk Jumlh Kudrt (JK) 4. Melkuk uj lss vrs 5. Melkuk uj perbdg gd Apkh ber kot dlm rokok dpt megkbtk Kker? Sel kker

Lebih terperinci

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt tersebut

Lebih terperinci

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt t tersebut

Lebih terperinci

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada BAB PENDAHULUAN. Ltr Belkg Sektor perkebu merupk sub sektor pert yg mejd slh stu fktor yg dpt medukug kegt perekoom d Idoes. Slh stu sub sektor perkebu yg cukup besr potesy dlm perekoom Idoes dlh perkebu

Lebih terperinci

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial Prktkum. Regres Regres Ler, Regres Ekspoesl, d Regres Poloml Poltekk Elektrok eger Surb ITS 47 PRAKTIKUM Regres Ler, Regres Ekspoesl d Regres Poloml. Tuju : Mempeljr metode peeles regres ler, ekspoesl

Lebih terperinci

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT Prosdg Semr Nsol Mtemtk d Terpy 06 p-issn : 550-084; e-issn : 550-09 KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT St Muhwh Uversts Jederl Soedrm st_muhwh@yhoo.co.d

Lebih terperinci

BAB VI ANALISIS REGRESI

BAB VI ANALISIS REGRESI BAB VI ANALISIS REGRESI A. Pedhulu Alss regres merupk slh stu lss yg ertuju utuk megethu pegruh sutu vrel terhdp vrel l. Vrel yg mempegruh dseut depedet vrle/vrel es () d vrel yg dpegruh dseut depedet

Lebih terperinci

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel Prktkum 0 Peyeles Persm Ler Smult - Metode Elms Guss Sedel PRAKTIKUM 0 Peyeles Persm Ler Smult Metode Elms Guss Sedel Tuu : ler smult Mempelr metode Elms Guss Sedel utuk peyeles persm Dsr Teor : Metode

Lebih terperinci

CNH2B4 / KOMPUTASI NUMERIK

CNH2B4 / KOMPUTASI NUMERIK CNHB4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT PENCOCOKAN KURVA Pedhulu Dt g bersl dr hsl pegmt lpg pegukur tu tbel g dmbl dr buku-buku cu. Nl tr turu tegrl mudh dcr utuk

Lebih terperinci

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor BAB ANAVA JALAN Merupk pegembg dr ANAVA 1 Jl Jk pd ANAVA 1 l 1 Fktor Jk pd ANAVA l Fktor Model Ler Asums: Model efek Tetp! 1,..., 1,..., Stu fktor g dtelt Av 1 l k k 1,,..., 1,,..., b k 1,,..., Du fktor

Lebih terperinci

Anuitas. Anuitas Akhir

Anuitas. Anuitas Akhir Auts Auts bersl r kt bhs Iggrs uty yg pt efsk sebg rgk pembyr tu peerm tetp lm jumlh tertetu yg lkuk secr berkl p jgk wktu tertetu. Kt uty sly berrt pembyr ul (thu), k tetp serg eg berjly wktu kt uts jug

Lebih terperinci

Bab 4 ANAKOVA (ANALISIS KOVARIANSI)

Bab 4 ANAKOVA (ANALISIS KOVARIANSI) Bb 4 ANAKOVA (ANALISIS KOVARIANSI) ANAVA vs ANREG ANAVA ANREG megu perbdg vrbel tergtug () dtu dr vrbel bebs () mempredks vrbel tergtug () mellu vrbel bebs () Ksus: Peelt deg vrbel : 1 Prests Mhssw Kemmpu

Lebih terperinci

Bab 4 ANALISIS REGRESI dan INTERPOLASI

Bab 4 ANALISIS REGRESI dan INTERPOLASI Als Numerk Bh Mtrkuls B 4 ANALISIS RGRSI d INTRPOLASI 4 Pedhulu Pd kulh k dpeljr eerp metde utuk mempredks d megestms dt dskret Dr sutu peelt serg dlkuk peglh dt utuk megethu pl dt tu etuk kurv g dggp

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Desg d coduct expermets volvg sgle. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc wth resdul plots 4. Use multple comprso

Lebih terperinci

( X ) 2 ANALISIS REGRESI

( X ) 2 ANALISIS REGRESI ANALII REGREI A. PENGERTIAN REGREI ecr umum d du mcm huug tr du vrel tu leh, tu etuk huug d keert huug. Utuk megethu etuk huug dguk lss regres. Utuk keert huug dpt dkethu deg lss korels. Alss regres dperguk

Lebih terperinci

VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA

VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA De Prm Sr Jurus Mtemtk Uersts Neger Pg, Ioes eml: eprmsr@yhoo.com Abstrk. Auts lh rgk pembyr tu peerm lm jumlh tertetu yg lkuk secr berkl p jgk wktu

Lebih terperinci

BAB V ANALISIS REGRESI

BAB V ANALISIS REGRESI BAB V ANALISIS REGRESI Setelh mempeljr mhssw dhrpk dpt : Meghtug prmeter regres Melkuk estms d uj prmeter regres 3 Meemuk model regres g tept Dlm kehdup serg dtemuk d sekelompok peuh g dtr terdpt huug,

Lebih terperinci

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor Bb 1 Av stu Alss Vrs (Alss Of Vrce / ANOVA) stu fktor Lerg Objectves 1. Desg d coduct expermets volvg sgle d two fctors. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc

Lebih terperinci

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Prktkum 8 Peyeles Persm Ler Smult Metoe Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metoe Elms Guss Tuju : smult Mempeljr metoe Elms Guss utuk peyeles persm ler Dsr Teor : Metoe Elms Guss merupk metoe

Lebih terperinci

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275 DIGRAF ESENTRIS PADA DIGRAF SIEL DIGRAF OMPLIT DAN DIGRAF OMPLIT MULTIPARTIT Reto tur umlsr d Luc Rtsr Jurus Mtemtk FMIPA UNDIP Jl Prof H Soedrto SH Semrg 5075 Abstrct The eccetrc dgrph of dgrph ED ( D)

Lebih terperinci

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI PENCOCOKAN KURVA (CURVE FITTING) Iterpols : Iterpols er Iterpols Kudrtk Iterpols Poloml Iterpols grge Regres : Regres er Regres Ekspoesl Regres Poloml INTERPOASI Iterpols dguk utuk meksr l tr (termedte

Lebih terperinci

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1)

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1) CATATAN KULIAH Pertemu XIII: Alss Dmk d Itegrl () A. Dmk d Itegrs Model Stts : mecr l vrel edoge yg memeuh kods ekulrum tertetu. Model Optms : mecr l vrel plh yg megoptms fugs tuju tertetu. Model Dmk :

Lebih terperinci

1 yang akan menghasilkan

1 yang akan menghasilkan Rset Opers Probblstk Teor Per (Ge Theor) Nughthoh Arfw Kurdh, M.Sc Deprteet of Mthetcs FMIPA UNS Lecture 6: Med Strteg: Ler Progrg Method A. Metode Cpur deg Progr Ler Terdpt hubug g ert tr teor per d progr

Lebih terperinci

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6 home se to ecellece Mt Kulh : Klkulus Kode : TSP 0 SKS : SKS Itegrl Pertemu - 6 home se to ecellece TIU : Mhssw dpt memhm tegrl fugs d plksy TIK : Mhssw mmpu mecr tegrl fugs Mhssw mmpu megguk tegrl utuk

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 0 BAB III METODOLOGI PENELITIAN 3. 1. Loks d Wktu Peelt 1.1.1 Loks Peelt Peelt dlksk d MA Neger 3 Kot Gorotlo pd ssw kels. ekolh merupk slh stu sekolh meegh ts yg terletk d Jl KH. Dewtoro Kelurh Lmb U1

Lebih terperinci

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal :

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 7 BAB TINJAUAN PUSTAKA. Sstem Perml Cerds Perlku Kosume Sstem Perml Cerds Perlku Kosume dlh sebuh sstem g berfugs utuk merml sub produk p g seber dbutuhk oleh kosume ketk g membel sutu produk berdsrk kods

Lebih terperinci

Bab 4 Penyelesaian Persamaan Linier Simultan

Bab 4 Penyelesaian Persamaan Linier Simultan Bb Peyeles Persm Ler Smult.. Persm Ler Smult Persm ler smult dlh sutu betuk persm-persm yg ser bersm-sm meyjk byk vrbel bebs. Betuk persm ler smult deg m persm d vrbel bebs dpt dtulsk sebg berkut: b b

Lebih terperinci

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT Rz Phlev, Arsm Ad, Sgt Sugrto Mhssw Progrm Stud S Mtemtk Dose Jurus Mtemtk Fkults

Lebih terperinci

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI Ftr Rhm Sr d D Idr Sesuse Fkults Ilmu Komputer, Uversts Idoes, Depok, Idoes d@cs.u.c.d Astrk Memlh

Lebih terperinci

UNIVERSITAS INDONESIA METODE STAIRCASE UNTUK MENDAPATKAN BENTUK KANONIK JORDAN DENGAN KARAKTERISTIK WEYR SKRIPSI NURRY WIDYA HESTY

UNIVERSITAS INDONESIA METODE STAIRCASE UNTUK MENDAPATKAN BENTUK KANONIK JORDAN DENGAN KARAKTERISTIK WEYR SKRIPSI NURRY WIDYA HESTY UNIVERSITS INDONESI METODE STIRCSE UNTUK MENDPTKN BENTUK KNONIK JORDN DENGN KRKTERISTIK WEYR SKRIPSI NURRY WIDY HESTY 976 Fkults Mtemtk d Ilmu Pegethu lm Progrm Stud Mtemtk Depok Februr Metode strcse...,

Lebih terperinci

Bab IV Faktorisasi QR

Bab IV Faktorisasi QR Bb IV Ftorss QR. Pedhulu Ftorss QR dr mtr A beruur m dlh pegur mtr A mejd A Q R dm Q R m m dlh orthogol d R R m segtg ts. Ftorss serg jug dsebut ftorss orthogol (orthogol ftorzto). Ad beberp r yg dgu utu

Lebih terperinci

Pemain P 1. Teorema 4.1 (Teorema minimax). Untuk setiap matriks pembayaran (pay off matrix), terdapat strategi optimal x* dan y* sedemikian sehingga

Pemain P 1. Teorema 4.1 (Teorema minimax). Untuk setiap matriks pembayaran (pay off matrix), terdapat strategi optimal x* dan y* sedemikian sehingga Rset Opers Probblstk Teor Permnn (Gme Theor) Deprtement of Mthemtcs FMIPA UNS Lecture 4: Med Strteg A. Metode Cmpurn (Med Strteg) D dlm permnn d mn permnn tersebut tdk mempun ttk peln, mk pr pemn kn bersndr

Lebih terperinci

SISTEM INFORMASI PEMBUATAN SURAT PERJALANAN DINAS DI BADAN PENGELOLAAN KEUANGAN DAN ASET DAERAH (BPKAD) SEKRETARIAT DAERAH PROVINSI JAWA BARAT

SISTEM INFORMASI PEMBUATAN SURAT PERJALANAN DINAS DI BADAN PENGELOLAAN KEUANGAN DAN ASET DAERAH (BPKAD) SEKRETARIAT DAERAH PROVINSI JAWA BARAT SISTEM INFORMASI PEMBUATAN SURAT PERJALANAN DINAS DI BADAN PENGELOLAAN KEUANGAN DAN ASET DAERAH (BPKAD) SEKRETARIAT DAERAH PROVINSI JAWA BARAT Hs Blubt S.S.,M.Kom 2 Ahrl Frdel Flsyh Progrm Stu Mjeme Iformtk,

Lebih terperinci

BAB I PENDAHULUAN. Populasi merupakan kumpulan dari individu organisme yang memiliki

BAB I PENDAHULUAN. Populasi merupakan kumpulan dari individu organisme yang memiliki BAB I PENDAHULUAN. Ltr Belkg Populs merupk kumpul dr dvdu orgsme yg memlk sft tumbuh growth, reks respos terhdp lgkugy, d reproduks. Pd dsry, pertumbuh mkhluk hdup pd sutu populs merupk proses yg berlgsug

Lebih terperinci

III PEMBAHASAN. peubah. Sistem persamaan (6) dapat diringkas menjadi Bentuk Umum dari Magic Square, Bilangan Magic, dan Matriks SPL

III PEMBAHASAN. peubah. Sistem persamaan (6) dapat diringkas menjadi Bentuk Umum dari Magic Square, Bilangan Magic, dan Matriks SPL III PEMBAHASAN 3.1. Betuk Umum dri Mgic Squre, Bilg Mgic, d Mtriks SPL Mislk eleme dri bris ke-i d kolom ke-j dlh i,j mk mgic squrey secr umum dlh 1,1 1, 1,,1,,,1,, Gmbr 1. Betuk umum mgic squre deg: i,j

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37 Jurl Mtemtk Mur d Terp Vol. 4 No. Desember : - 7 PENGGUNN BENTUK SMITH UNTUK MENENTUKN BENTUK KNONIK MTRIKS NORML DENGN ENTRI-ENTRI BILNGN KOMPLEKS Thresye Progrm Stud Mtemtk Uversts Lmbug Mgkurt Jl. Jed..

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON SKRIPSI oleh: KHUTWATUN NASIHA NIM: 4 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) MALANG MALANG

Lebih terperinci

ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES

ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES LEMMA VOL I NO., NOV 24 ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES Adev Mur Adel Progrm Stud Peddk Mtemtk, Uversts Mhutr Muhmmd Ym, Solok devmur@gml.com Abstrk. Peelt bertuju

Lebih terperinci

JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER 1

JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER 1 FITRIANA RICHA HIDAYATI 7 46 Dose Pembimbig M. ARIEF BUSTOMI, M.Si Surby, Jui JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER Alis disesuik deg geometri

Lebih terperinci

Optimalisasi Harga Penjualan Perumahan dengan Metode Goal Programming (Studi Kasus: Golden Gindi Residence Kota Bima Nusa Tenggara Barat)

Optimalisasi Harga Penjualan Perumahan dengan Metode Goal Programming (Studi Kasus: Golden Gindi Residence Kota Bima Nusa Tenggara Barat) Jurl Mtemtk Vol. No., Desember 0. ISSN: 69-94 Optmlss Hrg Peul Perumh deg Metode Gol Progrmmg (Stud Ksus: Golde Gd Resdece Kot Bm Nus Teggr Brt) Llk Ik Rhmwt Jurus Mtemtk FMIPA Uversts Udy, Bukt Jmbr-Bl

Lebih terperinci

Bab 2 LANDASAN TEORI

Bab 2 LANDASAN TEORI b LNDSN TEORI. Hmpu Fuzzy Tdk semu hmpu yg dump dlm kehdup sehr-hr terdefs secr els, msly hmpu org msk, hmpu org pd, hmpu org tgg, d sebgy. Msly, pd hmpu org tgg, tdk dpt dtetuk secr tegs pkh seseorg dlh

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNAN DERET BERTINKAT BERDAAR BILANAN EULERIAN DENAN OPERATOR BEDA Aleder A uw Jurus Mtetk, Fkults s d Tekolog, Uversts B Nustr Jl. K.H. yhd No. 9, Plerh, Jkrt Brt 48 gug@bus.edu ABTRACT Cscde seres

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

PROGRAM LINEAR BILANGAN BULAT DUAL SKRIPSI

PROGRAM LINEAR BILANGAN BULAT DUAL SKRIPSI PROGRA LINEAR BILANGAN BULAT DUAL SKRIPSI Duk Utuk emeuh Slh Stu Syrt emperoleh Gelr Sr Ss (S.S) Progrm Stud temtk Oleh: Berdet Wdsh NI : 7 PROGRA STUDI ATEATIKA JURUSAN ATEATIKA FAKULTAS ATEATIKA DAN

Lebih terperinci

x 1 M = x 1 m 1 + x 2 m x n m n = x i

x 1 M = x 1 m 1 + x 2 m x n m n = x i Iterl Tertetu..6 oe d ust ss Ttk Bert slk d du ed s-s elk ss sesr d y dletkk pd pp er de jrk erturut-turut d d d dr ttk pey pd - y ered. Ked terseut k se jk dpeuh d d. d d Sutu odel tets y k dperoleh pl

Lebih terperinci

BAB IV METODA ANALISIS RANGKAIAN

BAB IV METODA ANALISIS RANGKAIAN 6 BAB METODA ANALSS RANGKAAN Metod nlss rngkn sebenrny merupkn slh stu lt bntu untuk menyeleskn sutu permslhn yng muncul dlm mengnlss sutu rngkn, blmn konsep dsr tu hukum-hukum dsr sepert Hukum Ohm dn

Lebih terperinci

BAB III STUDI PUSTAKA

BAB III STUDI PUSTAKA BAB III STUDI PUSTAA III.. Btubr Dlm Peggu Eerg d Pembgu Ekoom Idustr btubr memberk kotrbus pd pembgu ekoom dlm betuk, yg berkt deg tmbg btubr d peggu btubr. Hl yg terkt deg peggu btubr dlh pembgkt teg

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY Oleh : Yusup Fkults Ilmu Komputer, Uversts AKI Semrg Astrt The frto of No Homoge Lerty Ajustmet System towr Cholesky Doule

Lebih terperinci

Solusi Sistem Persamaan Linear

Solusi Sistem Persamaan Linear Sos Sstem Persm Ler Sstem persm er: h persm deg h kow j d dketh, j,,, j? So: z 6 z z () () () persm d kow Jw: z 6.5 z.5 z () () () ems : pers. ().5 pers. () pers. ().5 pers. () z 6.5 z 8z 8 () () () ems

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BB LNDSN TEORI. lytcl Herrchy Process (HP) lytc Herrchy Process (HP) dlh slh stu metode khusus dr Mult Crter Decso Mkg (MCDM) yg dperkelk oleh Thoms Lore Sty. HP dpt dguk utuk memechk mslh pd stus yg kompleks.

Lebih terperinci

RENCANA PELAKSANAAN PERKULIAHAN

RENCANA PELAKSANAAN PERKULIAHAN Lesso Study FMIPA UNY RENCANA PELAKSANAAN PERKULIAHAN MATA KULIAH : ALJABAR LINEAR II SEMESTER : III TOPIK : NILAI EIGEN DAN VEKTOR EIGEN SUB TOPIK : NILAI EIGEN DAN VEKTOR EIGEN WAKTU : X 5 A. Stdr Kompetesi:

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNGAN DERET BERTINGKAT BERDAARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA Aleder A.. Guw Jurus Mtetk d ttstk, Fkults s d Tekolog, Bus Uversty Jl. KH. yhd No. 9, Plerh, Jkrt Brt 48. gug@bus.edu ABTRACT

Lebih terperinci

Bab 2 Landasan Teori

Bab 2 Landasan Teori Bb 2 Lds Teor 2.1. Ler Progrmmg Model pemrogrm ler tdk mmpu meyelesk ksus-ksus mjeme yg meghedk ssr-ssr tertetu dcp secr smult. Kelemh dlht oleh A. Chres d W.M. Cooper. Merek berdu kemud megembgk model

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN REGRESI ROBUST PADA SAMPING ACAK SEDERHANA.

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN REGRESI ROBUST PADA SAMPING ACAK SEDERHANA. PENAKI AIO ANG EFIIEN UNTUK ATA-ATA POPULAI MENGGUNAKAN KOEFIIEN EGEI OUT PADA AMPING ACAK EDEHANA M Okto Mork Arsm Ad Hpos rt moktomoo@hoo.co.d Mhssw Progrm Mtemtk Dose Jurus Mtemtk Fkults Mtemtk d Ilmu

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Ltr Belg Istlh Pemrogrm Geometr (PG) dperel oleh Duff, Peterso, d Zeer pd thu 967 Istlh dmbl dr mslh-mslh geometr g dpt dformuls sebg PG Pemrogrm Geometr dlh sutu tpe mslh optmlss mtemt g

Lebih terperinci

bila nilai parameter sesungguhnya adalah. Jadi, K( ) P( SU jatuh ke dalam WP bila nilai parameter sama dengan )

bila nilai parameter sesungguhnya adalah. Jadi, K( ) P( SU jatuh ke dalam WP bila nilai parameter sama dengan ) Kus Uji d Lem Neym-Perso Kebik sutu uji serig diukur oleh d. Di dlm prktek, bisy ditetpk, d kibty wilyh peolk (WP) mejdi tertetu pul. Kierj sutu uji jug serig diukur oleh p yg disebut kus uji (power of

Lebih terperinci

Model Tak Penuh. Definisi dapat di-uji (testable): nxp

Model Tak Penuh. Definisi dapat di-uji (testable): nxp Model T Peuh Defs dpt d-u (testle): Sutu c c 'c 'c H 'c 'c dpt du l d stu set fugs g dpt - ddug m m ' sehgg H er c ' ' slg es ler tu C c ' c m ' Perht : Kre r X p r p m m r c' (X' X) c X' X c' C(X' X)

Lebih terperinci

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT OLUI DERET PANGKAT TETAP DENGAN FUNGI PEMBANGKIT Aleder A Guw Jurus Mtemt d ttst Fults s d Teolog, Uversts B Nustr Jl. K. H. yhd No. 9, Kemggs/Plmerh, Jrt Brt 8 gug@bus.edu ABTRACT Ths rtcle dscusses bout

Lebih terperinci

DIKTAT. Mata Kuliah METODE NUMERIK. Oleh: I Ketut Adi Atmika

DIKTAT. Mata Kuliah METODE NUMERIK. Oleh: I Ketut Adi Atmika DIKTAT Mt Kulh METODE NUMERIK Oleh: I Ketut Ad Atmk JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS UDAYANA 6 KATA PENGANTAR Dktt dsusu utuk memudhk mhssw dlm memhm beberp metode umerk utuk meyelesk persm-persm

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. mempengaruhi sering disebut variabel bebas, variabel independen atau variabel

BAB 2 TINJAUAN TEORITIS. mempengaruhi sering disebut variabel bebas, variabel independen atau variabel BAB TINJAUAN TEORITIS.. Regres Ler Sederh Regres ler dlh lt sttst yg dpergu utu megethu pegruh tr stu tu beberp vrbel terhdp stu buh vrbel. Vrbel yg mempegruh serg dsebut vrbel bebs, vrbel depede tu vrbel

Lebih terperinci

Metode Iterasi Gauss Seidell

Metode Iterasi Gauss Seidell Metode Itersi Guss Seidell Metode itersi Guss-Seidel : metode yg megguk proses itersi higg diperoleh ili-ili yg berubh. Bil dikethui persm liier simult: Berik ili wl dri setip i (i s/d ) kemudi persm liier

Lebih terperinci

BAB 1 PENDAHULUAN. Gambar 1.1. Kurva y=sinc(x)

BAB 1 PENDAHULUAN. Gambar 1.1. Kurva y=sinc(x) BAB PENDAHULUAN.. Megp Megguk Metode Numerk Tdk semu permslh mtemts tu perhtug dpt dselesk deg mudh. Bhk dlm prsp mtemtk, dlm memdg permslh g terlebh dhulu dperhtk pkh permslh tersebut mempu peeles tu

Lebih terperinci

III PEMBAHASAN. x x. 3.1 Analisis Metode Perhatikan persamaan integral Volterra berikut. x. atau (11)

III PEMBAHASAN. x x. 3.1 Analisis Metode Perhatikan persamaan integral Volterra berikut. x. atau (11) III PEMBAHASAN 3 Alisis Metode Perhtik persm itegrl Volterr berikut y ( f( λ Ktyt ( ( (8 deg y( merupk fugsi yg k ditetuk sutu kostt f( fugsi sembrg yg dikethui d terdefiisi pd R d K(ty(t sutu fugsi yg

Lebih terperinci

Kalkulus 2. Deret Pangkat dan Uji Konvergensi. Department of Chemical Engineering Semarang State University. Dhoni Hartanto S.T., M.T., M.Sc.

Kalkulus 2. Deret Pangkat dan Uji Konvergensi. Department of Chemical Engineering Semarang State University. Dhoni Hartanto S.T., M.T., M.Sc. Klkulus Deret Pgkt d Uji Kovergesi Dhoi Hrtto S.T., M.T., M.S. Deprtmet o Chemil Egieerig Semrg Stte Uiversity Eperimetl Deret Pgkt Urut d deret sequees d series). Urut gk merupk rgki gk tk terbts jumlh

Lebih terperinci

PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD. Dydaestury Jalarno 1,Dwi Ispriyanti 2. Alumni Jurusan Matematika FMIPA UNDIP

PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD. Dydaestury Jalarno 1,Dwi Ispriyanti 2. Alumni Jurusan Matematika FMIPA UNDIP PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD Dydesury Jlro,Dw Ispry Alum Jurus Memk FMIPA UNDIP S Progrm Sud Ssk FMIPA UNDIP Absrk Model regres erpoog s merupk suu model regres

Lebih terperinci

Persamaan (1.4) adalah persamaan dari deret Mac Laurin. Persamaan (1.1) biasa dituliskan dengan mensubstitusikan x dengan x-x 0, sehingga :

Persamaan (1.4) adalah persamaan dari deret Mac Laurin. Persamaan (1.1) biasa dituliskan dengan mensubstitusikan x dengan x-x 0, sehingga : Fsk Komputs I DERET TAYLOR. Deret Tlor Deret Tlor memegg per g sgt petg dlm lss umerk. Deg deret Tlor kt dpt meetuk l sutu ugs d ttk jk l ugs d ttk 0 g berdekt deg ttk dkethu. Ur deret Tlor dsektr o dtk

Lebih terperinci

BAB III. METODE PENELITIAN

BAB III. METODE PENELITIAN BAB III. METODE PENELITIAN 3.. Kergk Metodologs Pedekt Peelt Kergk metodologs pedekt peelt deg thp sebg berkut:. Membgu model trsforms struktur ekoom Kbupte Sumbw Brt yg bru mellu skero restrukturss keterkt

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Alss Regres Alss regres dlh tekk sttstk yg ergu utuk memerks d memodelk huug dtr vrel-vrel. Peerpy dpt djump secr lus d yk dg sepert tekk, ekoom, mjeme, lmu-lmu olog, lmu-lmu sosl,

Lebih terperinci

PENINGKATAN KEMAMPUAN BERPIKIR KREATIF SISWA MELALUI MODEL PEMBELAJARAN INKUIRI PADA MATA PELAJARAN ILMU PENGETAHUAN ALAM

PENINGKATAN KEMAMPUAN BERPIKIR KREATIF SISWA MELALUI MODEL PEMBELAJARAN INKUIRI PADA MATA PELAJARAN ILMU PENGETAHUAN ALAM Berpkr Kretf Mellu Model Ikur PENINGKATAN KEMAMPUAN BERPIKIR KREATIF SISWA MELALUI MODEL PEMBELAJARAN INKUIRI PADA MATA PELAJARAN ILMU PENGETAHUAN ALAM Softu Ns Dw Ist, PGSD FIP Uversts Neger Surby (e-ml:

Lebih terperinci

Matematika Dasar INTEGRAL TENTU . 2. Partisi yang terbentuk merupakan segiempat dengan ukuran x dan f ( x k ) sebagai

Matematika Dasar INTEGRAL TENTU . 2. Partisi yang terbentuk merupakan segiempat dengan ukuran x dan f ( x k ) sebagai Mtemtik Dsr INTEGRAL TENTU Pegerti tu kosep itegrl tetu pertm kli dikelk oleh Newto d Leiiz. Nmu pegerti secr leih moder dikelk oleh Riem. Mteri pemhs terdhulu yki tetg itegrl tk tetu d otsi sigm k kit

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK Pegtr Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. Msly dlm termodmk, model Deye utuk megtug kpsts ps dr ed pdt.

Lebih terperinci

SOAL UJIAN AKHIR MATEMATIKA INFORMATIKA 4 (A & B) Dosen: Dr. Asep Juarna Jumlah Soal: 3 Uraian Tanggal Ujian: 02/03/12 Waktu Ujian: 2 jam

SOAL UJIAN AKHIR MATEMATIKA INFORMATIKA 4 (A & B) Dosen: Dr. Asep Juarna Jumlah Soal: 3 Uraian Tanggal Ujian: 02/03/12 Waktu Ujian: 2 jam SOAL UJIAN AKHIR MATEMATIKA INFORMATIKA 4 A & B Dose: Dr. Asep Jur Jumlh Sol: Uri Tggl Uji: // Wktu Uji: jm jik. Solusi t dlh: t + log, yg dpt dibuktik sbb: t jik t t + [t/ + ] + t/ + t/4 + t/8 + 4 t/

Lebih terperinci

A. Pusat Massa Suatu Batang

A. Pusat Massa Suatu Batang Perteu 7 Pust ss sutu Kepg, Setrod, d Teore Pppus A. Pust ss Sutu Btg Dskusk!. slk ss,,..., terletk pd tg pdt sgsg d ttk,...,,, d = jrk errh tr ss ke sutu ttk tetp 0 pd tg,,,...,. ss prtkel, oe prtkel

Lebih terperinci

Bentuk Kanonik Persamaan Ruang Keadaan. Institut Teknologi Sepuluh Nopember

Bentuk Kanonik Persamaan Ruang Keadaan. Institut Teknologi Sepuluh Nopember Betuk Koik Persm Rug Ked Istitut Tekologi Sepuluh Nopember Pegtr Mteri Betuk Koik Observble Betuk Koik Jord Cotoh Sol Rigks Ltih Asesme Pegtr Mteri Cotoh Sol Ltih Rigks Pd bgi ii k dibhs megei Persm Ked

Lebih terperinci

Bentuk Umum Perluasan Teorema Pythagoras

Bentuk Umum Perluasan Teorema Pythagoras Jrl Grde Vol No Jr 6 : 9-4 Betk Umm Perls Teorem Pythors Ml stt By Kerm Ulsr les Jrs Mtemtk Fklts Mtemtk d Ilm Peeth lm Uversts Bekl Idoes Dterm Septemer 5; dset Desemer 5 strk - Peelt memhs perls teorem

Lebih terperinci

PENAKSIRAN PARAMETER DISTRIBUSI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI SHAFIRA

PENAKSIRAN PARAMETER DISTRIBUSI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI SHAFIRA UNIVERSITAS INDONESIA PENAKSIRAN PARAMETER DISTRIBUSI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI SHAFIRA 0706695 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI MATEMATIKA DEPOK JULI

Lebih terperinci

Penilaian Kinerja Guru dengan Metode Analytic Network Process (ANP) untuk Pemilihan Guru Berprestasi

Penilaian Kinerja Guru dengan Metode Analytic Network Process (ANP) untuk Pemilihan Guru Berprestasi Pel Kerj Guru deg Metode Alytc Netork Process (ANP) utuk Pemlh Guru Berprests Nuryt 29 Alvd Mustk Rukm,S.S, MS. Prof.Dr. Mohmmd Is Ir,MT. Cotet : Pedhulu Tju Pustk Metodolog Als d Pembhs Kesmpul Dftr Pustk

Lebih terperinci

Metode Numerik. Regresi. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2008 PENS-ITS

Metode Numerik. Regresi. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2008 PENS-ITS Metode Numerk Regres Um S dh Polteknk Elektronk Neger Surb 008 PENS-ITS 1 Metode Numerk Topk Regres Lner Regres Non Lner PENS-ITS Metode Numerk Metode Numerk Regres vs Interpols REGRESI KUADRAT TERKECIL

Lebih terperinci

DEFINISI INTEGRAL. ' untuk

DEFINISI INTEGRAL. ' untuk DEINISI INTEGRAL Dlm mtemtk d eerp stl sepert des, teorem, lemm Istl petg kre meujuk keeksstes Des dl peryt yg erl er kre dsepkt, d tdk perlu duktk Teorem dl peryt yg dpt duktk keery Lemm dl teorem kecl,

Lebih terperinci

FUNGSI KARAKTERISTIK. penelitian ini akan ditentukan fungsi karakteristik dari distribusi four-parameter

FUNGSI KARAKTERISTIK. penelitian ini akan ditentukan fungsi karakteristik dari distribusi four-parameter IV. FUNGSI KARAKTERISTIK Pd bgi seljuty k dijbrk megei ugsi krkteristik. Pd peeliti ii k ditetuk ugsi krkteristik dri distribusi our-prmeter geerlized t deg megguk deiisi d kemudi k membuktik ugsi krkteristik

Lebih terperinci

Menaksir Matriks Teknologi Kota Cimahi Berdasarkan Tabel Input Output Provinsi Jawa Barat Menggunakan Metode Location Quontient

Menaksir Matriks Teknologi Kota Cimahi Berdasarkan Tabel Input Output Provinsi Jawa Barat Menggunakan Metode Location Quontient Sttstk, Vol. 9 No., 75 8 Nopemer 9 eksr trks Tekolog Kot Cmh Berdsrk Tel Iput utput Provs Jw Brt egguk etode octo Quotet TETI SFIA ANTI Jurus Sttstk Uversts Islm Bdug Eml: utet@yhoo.com ABSTRAK Tel Iput

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id

Didownload dari ririez.blog.uns.ac.id A. METODE PROGRAM LINIER Terdpt hubug g ert tr teor per d progr ler kre setp betuk per berulh ol dr du org (g berhgg) dpt dtk sebg sutu betuk progr ler d seblk, setp perslh progr ler dpt dsk sebg sutu

Lebih terperinci

Daftar Isi. Halaman i KATA PENGANTAR

Daftar Isi. Halaman i KATA PENGANTAR KATA PENGANTAR Dftr Is Hlm DAFTAR ISI BAB I PENDAHULUAN PENGERTIAN METODE NUMERIK BILANGAN DAN ANGKA SIGNIFIKAN KONSEP DASAR KALKULUS : NILAI ANTARA DAN DERET TAYLOR GALAT DAN TOLERANSI DALAM METODE NUMERIK

Lebih terperinci

BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ. Definisi 3.1 Matriks Toeplitz adalah suatu matriks., dengan nilai,, dan indeks yang

BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ. Definisi 3.1 Matriks Toeplitz adalah suatu matriks., dengan nilai,, dan indeks yang BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ 3. Mtriks Toeplitz Defiisi 3. Mtriks Toeplitz dlh sutu mtriks [ t ; k, j = 0,,..., ] : T =, k j, deg ili,, d ideks yg diguk setip etriy

Lebih terperinci

OVERDISPERSI KARENA KESALAHAN SPESIFIKASI MODEL DAN CARA MENGATASINYA

OVERDISPERSI KARENA KESALAHAN SPESIFIKASI MODEL DAN CARA MENGATASINYA Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN :087-09 OVERDISPERSI KARENA KESALAHAN SPESIFIKASI MODEL DAN CARA MENGAASINYA mbg Srt Derteme Sttstk FMIPA-IPB Eml: tmbg_srt@yhoo.com

Lebih terperinci

6. Selanjutnya langkah penyelesaian

6. Selanjutnya langkah penyelesaian MENYELESAIKAN SISTEM PERSAMAAN LINEAR FUZZY DALAM BENTUK A y DENGAN MENGURAIKAN y D Mstk, Mshd, Sr Gemwt Mhssw Progrm Std S Mtemtk Dose Jrs Mtemtk Fklts Mtemtk d Ilm Pegeth Alm Uversts R Kmps Bwdy Pekbr

Lebih terperinci

PRAKTIKUM 6 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Jordan

PRAKTIKUM 6 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Jordan Prtum 6 Penyelesn Persmn Lner Smultn - Metode Elmns Guss Jordn PRAKTIKUM 6 Penyelesn Persmn Lner Smultn Metode Elmns Guss Jordn. Tujun : Mempeljr metode Elmns Guss Jordn untu penyelesn persmn lner smultn.

Lebih terperinci

Teknik Komputasi Ujian Akhir Semester (UAS)

Teknik Komputasi Ujian Akhir Semester (UAS) Tekk Komputs U Akhr Semester UAS Dose : Dr. Ir. Nzor Az MT. Nm : Yog Prhstomo NIM : 06006 Kels : XB MAGISTER ILMU KOMPUTER UNIVERSITAS BUDI LUHUR 0 Hlm 0 Tekk Komputs: U Akhr Semester UAS A. Sol Dkethu

Lebih terperinci

Pertemuan ke-5 Persamaan Linier Simultan. 11 Oktober Dr.Eng. Agus S. Muntohar Department of Civil Engineering

Pertemuan ke-5 Persamaan Linier Simultan. 11 Oktober Dr.Eng. Agus S. Muntohar Department of Civil Engineering Pertemu ke-5 Persm Liier Simult Oktober Metode Elimisi Guss (Gussi Elimitio) Metode Elimisi Gus Sutu metode utuk meyelesik persm liier simult dri [A][X][C] Du lgkh peyelesi peyelesi:: Elimisi mju (Forwrd

Lebih terperinci

METODE UNWEIGHTED MEANS UNTUK FAKTORIAL TAK SEIMBANG DISPROPORSIONAL

METODE UNWEIGHTED MEANS UNTUK FAKTORIAL TAK SEIMBANG DISPROPORSIONAL METODE UNWEIGHTED MEANS UNTUK AKTORIAL TAK SEIMBANG DISPROPORSIONAL Trstut Wurydr Jurus Mtemtk MIPA UNDIP Jl Prof H Soedrto, SH, Semrg 5075 Astrct A fctorl desg should e used whe there re severl fctors

Lebih terperinci

INTEGRASI PENDEKATAN FUZZY ANP DAN TOPSIS UNTUK PEMILIHAN LOGISTIC SERVICE PROVIDER (STUDI KASUS: PT.EPT)

INTEGRASI PENDEKATAN FUZZY ANP DAN TOPSIS UNTUK PEMILIHAN LOGISTIC SERVICE PROVIDER (STUDI KASUS: PT.EPT) Prosdg Semr Nsol Mjeme Tekolog XIV Progrm Stud MMT-ITS Surby 23 Jul 20 INTEGRASI PENDEKATAN FUZZY ANP DAN TOPSIS UNTUK PEMILIHAN LOGISTIC SERVICE PROVIDER (STUDI KASUS: PT.EPT) Ydl Drt Yy Udsubkt Cptomulyoo

Lebih terperinci