DUALITAS DAN ANALISIS SENSITIVITAS

Ukuran: px
Mulai penontonan dengan halaman:

Download "DUALITAS DAN ANALISIS SENSITIVITAS"

Transkripsi

1 /5/008 DUALITAS DAN ANALISIS SENSITIVITAS Dr. Mohd Adul Mukhy, SE., MM. Prl Prole P ze z cx suject to Ax x 0 optu vlue s z* Dul Prole xze suject to D v π πa c optu vlue s v* Theore. (Strog Dulty) If oth P d D re fesle, the z* v*.

2 /5/008 Tel Prl Dul Ler Progrg PRIMAL Koefse NK DUAL koefse Koefse fugs tuju (ksss) NK C C C Koefse fugs tuju (ksss) 3 Tel Huug tr prl dul Prl (tu Dul) Bts I Dul (tu Prl) Vrel I Fugs tuju Nl k 4

3 /5/008 The cost flow prole d ts dul Mze (,j) A c j x j j x j k x k for ll Î N. d x j 0 for ll (,j) Î A. Prl Mze π Dul suject to π π c for ll (, j) A j j 5 MASALAH PRIMAL MASALAH DUAL MA : Z 3 5 S.T.: > 0 > 0 MIN : S.T.:

4 /5/008 PENELESAIAN PRIMAL : OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) ) PENELESAIAN DUAL OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) Kedl ktf 7 PENELESAIAN TABEL DENGAN PRIMAL vrel dsr Z Z NK Keterg

5 /5/008 vrel dsr Z Z NK Keterg /0 ~ / /5 6 vrel dsr Z Z NK Keterg / / /3 5 9 vrel dsr Z Z NK Keterg / / / /0 ~ /3 5 5/6 5/6 vrel dsr Z NK Keterg Z /6 / 7½ l optl /9 /3 6⅓ / /8 /6 5/6 0 5

6 /5/008 Apl ts : 3 5 druh ejd 3 6 l y k tetp ( ) 5 9 3, Z (3 x 0,56) Z, Z 8, x ,3 6,7 5 6, x 3 0,56 5,34 (5 x 5,34) 8,37 7,5 0,87 Apl ts 3 : druh ejd () Z (3 x ) (5 x 5) Z x Z 8 7,5 0,5 x 3 6

7 /5/008 Huug tr vrelvrel PrlDul dl Ler Progrg Vrel Prl Vrel Dul Vrel sl : Vrel Slck : Vrel surplus : Z j C j Vrel Asl : D,, j,, 3 PENIMPANGANPENIMPANGAN DARI BENTUK STANDAR j j Nl j Kovers Betuk Buk Stdr Mejd Betuk Stdr Dl Model Ler Progrg Betuk uk stdr : Mss Z j j j j tdk terts Betuk stdr : Mksss Z j j j j j j j j j ( ' ' ' ), ' 0, ' ' 0 j j j j 4 7

8 /5/ ,. 0; d c c c : / Mss 0 t s Mecr etuk dul dr sutu slh dul Peruh ke dl euk stdr 0 0,. 0; d c c c : / ) ( Mksss 0 t s 6 Dul dr dul terseut (prl) 0 0,. 0; d : / C C C (Z) Mss t s 0 0,. 0; d : / C C C Z Mss t s Peruh ke dl etuk stdr

9 /5/008 Dul dr sutu slh dul tdk l dlh slh prly. Bts yg egdug td pers () dperluk sepert lyky ts ertd ; tetp ts oegtf g dul vrel yg ersgkut hrus dhlgk (ytu vrel yg tdk terts ly). Meghlgk ts oegtf pd slh prl k egktk peruh ts pd slh dul ejd etuk pers () 7 Huug etuketuk Prl Dul Mslh Prl (Dul) Mx Z (tu 0 ) Bts etuk etuk Vrel j (tu j ) j 0 j 0 dhlgk Mslh Dul (Prl) M 0 (tu Z) Vrel j (tu j ) j 0 j 0 dhlgk Bts j etuk etuk 8 9

10 /5/008 PRIMAL PROBLEM: xze z 3x 4x 6x 3 8x 4 suject to x x x 3 x 4 x 3x 4x 3 5x 4 3 x, x, x 3, x 4 0 DUAL PROBLEM: ze y 3y Suject to y y 3 y 3y 4 y 4y 6 y 5y 8 Oservto. The costrt trx the prl s the trspose of the costrt trx the dul. Oservto. The RHS coeffcets the prl ecoe the cost coeffcets the dul. 9 PRIMAL PROBLEM: xze z 3x 4x 6x 3 8x 4 suject to x x x 3 x 4 x 3x 4x 3 5x 4 3 x, x, x 3, x 4 0 DUAL PROBLEM: ze y 3y Suject to y y 3 y 3y 4 y 4y 6 y 5y 8 Oservto 3. The cost coeffcets the prl ecoe the RHS coeffcets the dul. Oservto 4. The prl ( ths cse) s x prole wth equlty costrts d oegtve vrles The dul ( ths cse) s zto prole wth costrts d vrles ucostred sg. 0 0

11 /5/008 OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) Alss Sestvts Kre terjd peruhperuh dl vrelvrel, pkh fugs tuju upu fugs kedl deg cr eftk kdhkdh prldul etode splek seksl ugk. Kre tujuy dlh peyeles optl, k lss dseut pul Post Optlty. Peruhperuh yg ugk terjd:. Keterts kpsts suer (fugs ts).. Koefsekoefse fugs tuju. 3. Koefsekoefse teks fugs ts 4. Peh vrelvrel ru. 5. Peh tsts ru

12 /5/008 OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) ) SENSITIVIT ANALSIS OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE INFINIT RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE INFINIT OBJECTIVE FUNCTION VALUE ) VARIABLE VALUE REDUCED COST ROW SLACK OR SURPLUS DUAL PRICES ) ) SENSITIVIT ANALSIS? OBJ COEFFICIENT RANGES VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE INFINIT RIGHTHAND SIDE RANGES ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE INFINIT

Dualitas Dalam Model Linear Programing

Dualitas Dalam Model Linear Programing Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c Dualitas Dalam Model Linear Programing Prof. Dr. Ir. ZULKIFLI ALAMSYAH, M.Sc. Program Studi Agribisnis Fakultas Pertanian Universitas Jambi KONSEP

Lebih terperinci

2. Metode MODI (Modified Distribution) / Faktor Pengali (Multiplier)

2. Metode MODI (Modified Distribution) / Faktor Pengali (Multiplier) 2. Metode MODI (Modified Distribution) / Faktor Pengali (Multiplier) Metode MODI disebut juga metode Faktor Pengali atau Multiplier. Cara iterasinya sama seperti Metode Batu Loncatan. Perbedaan utama terjadi

Lebih terperinci

Dualitas Dalam Model Linear Programing

Dualitas Dalam Model Linear Programing Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c Dualitas Dalam Model Linear Programing Prof. Dr. Ir. ZULKIFLI ALAMSYAH, M.Sc. Program Studi Agribisnis Fakultas Pertanian Universitas Jambi KONSEP

Lebih terperinci

Analisis Sensitifitas DALAM LINEAR PROGRAMING

Analisis Sensitifitas DALAM LINEAR PROGRAMING Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c Analisis Sensitifitas DALAM LINEAR PROGRAMING Prof. Dr. Ir. ZULKIFLI ALAMSYAH, M.Sc. Program Magister Agribisnis Universitas Jambi Suatu analisis

Lebih terperinci

Formulasi dengan Lindo. Dasar-dasar Optimasi. Hasil dengan Lindo 1. Hasil dengan Lindo 2. Interpretasi Hasil. Interpretasi Hasil.

Formulasi dengan Lindo. Dasar-dasar Optimasi. Hasil dengan Lindo 1. Hasil dengan Lindo 2. Interpretasi Hasil. Interpretasi Hasil. Formulasi dengan Lindo Dasar-dasar Optimasi Optimasi Linier Interpretasi Hasil Lindo diambil dari buku Introduction to Operations Research, Sixth Edition, Frederick S Hillier, Gerald J Lieberman, McGraw-Hill,

Lebih terperinci

Dasar-dasar Optimasi

Dasar-dasar Optimasi Dasar-dasar Optimasi Optimasi Linier Interpretasi Hasil Lindo diambil dari buku Introduction to Operations Research, Sixth Edition, Frederick S. Hillier, Gerald J. Lieberman, McGraw-Hill, Inc., International

Lebih terperinci

LINDO. Lindo dapat digunakan sampai dengan 150 kendala dan 300 variabel

LINDO. Lindo dapat digunakan sampai dengan 150 kendala dan 300 variabel LINDO Pegertian: Lindo (Linear Interactive Discrete Optimize) adalah paket program siap pakai yang digunakan untuk memecahkan masalah linear, integer dan quadratic programming. Kemampuan: Lindo dapat digunakan

Lebih terperinci

PANDUAN WAWANCARA PENELITIAN OPTIMASI PENGADAAN SAYURAN ORGANIK. : Optimasi Pengadaan Sayuran Organik

PANDUAN WAWANCARA PENELITIAN OPTIMASI PENGADAAN SAYURAN ORGANIK. : Optimasi Pengadaan Sayuran Organik LAMPIRAN 98 99 Lampiran 1. Panduan Wawancara PANDUAN WAWANCARA PENELITIAN OPTIMASI PENGADAAN SAYURAN ORGANIK Nama Mahasiswa : Prestilia Ningrum NPM : 150310080098 Jurusan Hal Sumber Informasi : Agribisnis

Lebih terperinci

Lampiran 1 Gambar rancang bangun alat penangkap ikan tuna longline. Sumber: 30 Desember 2010

Lampiran 1 Gambar rancang bangun alat penangkap ikan tuna longline. Sumber:  30 Desember 2010 Lampiran 1 Gambar rancang bangun alat penangkap ikan tuna longline Sumber: http://www.t2.gstatic.com/images, 30 Desember 2010 78 Lampiran 2 Peta lokasi kantor dan fishing ground PT Perikanan Nusantara

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

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

( 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

UNIVERSITAS MERCU BUANA PROGRAM PASKA SARJANA PROGRAM STUDI MAGISTER MANAJEMEN

UNIVERSITAS MERCU BUANA PROGRAM PASKA SARJANA PROGRAM STUDI MAGISTER MANAJEMEN UNIVERSITAS MERCU BUANA PROGRAM PASKA SARJANA PROGRAM STUDI MAGISTER MANAJEMEN N a m a : Suminadhono NIM : 55108110181 Mata Kuliah/SKS : Manajemen Operasi / 3 SKS 1. Jaringan toko serba ada The Biggs menyewa

Lebih terperinci

PERBANDINGAN ANALISIS SENSITIVITAS MENGGUNAKAN PARTISI OPTIMAL DAN BASIS OPTIMAL PADA OPTIMASI LINEAR MIRNA SARI DEWI

PERBANDINGAN ANALISIS SENSITIVITAS MENGGUNAKAN PARTISI OPTIMAL DAN BASIS OPTIMAL PADA OPTIMASI LINEAR MIRNA SARI DEWI PERBANDINGAN ANALISIS SENSITIVITAS MENGGUNAKAN PARTISI OPTIMAL DAN BASIS OPTIMAL PADA OPTIMASI LINEAR MIRNA SARI DEWI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN

Lebih terperinci

Lampiran 1. Denah Pabrik MT KPBS Pangalengan

Lampiran 1. Denah Pabrik MT KPBS Pangalengan Lampiran 1. Denah Pabrik MT KPBS Pangalengan 140 Lanjutan Lampiran 1. Keterangan: 1. Milk Reception Scale 2. Milk Reception Vat 3. Prepack Machine 4. Auto Cup Sealling Machine 5. Lempeng Penukar Panas

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

PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS

PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS Metode ple erup utu te tdr g dgu utu eech lh Progr Ler e thu 9. Pd prp etode ple ecr peele optl deg eetu tt-tt udut dr derh fele proe dlu erulg-ulg dr utu

Lebih terperinci

Pendahuluan Pengantar Metode Simpleks. Fitriani Agustina, Math, UPI

Pendahuluan Pengantar Metode Simpleks. Fitriani Agustina, Math, UPI Pedhulu Pegtr Metode Sipleks Fitrii Agusti, Mth, METODE SIMPLEKS (PRIMAL) Mslh Progr Lier Mslh Progr Lier dl Betuk Mtriks Ketetu dl Betuk Stdr Mslh PL Betuk Stdr Mslh Progr Lier Betuk Stdr Pets Lier Betuk

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

Lampiran 1. Peta Lokasi Peneliti. Peta Teluk Levun Kabupaten Maluku Tenggara

Lampiran 1. Peta Lokasi Peneliti. Peta Teluk Levun Kabupaten Maluku Tenggara 123 123 Lampiran 1. Peta Lokasi Peneliti Peta Teluk Levun Kabupaten Maluku Tenggara 124 124 125 125 Lampiran.2. Sarana Input Produksi Budidaya Ikan Kerapu dan Rumput Laut di Kawasan Teluk Levun Unit Budidaya

Lebih terperinci

Fakultas Pertanian Unlam ABSTRACT

Fakultas Pertanian Unlam ABSTRACT Optimalisasi Kombinasi Cabang Usahatani Tanaman Pangan untuk Memperoleh Pendapatan Maksimum di Wilayah Transmigrasi Km 38 Kelurahan Sei Gohong Kecamatan Bukit Batu Provinsi Kalimantan Tengah Masniati,

Lebih terperinci

ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER

ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER Tof Adtyw, Spt Whyugsh 2 Uversts Neger Mlg E l : [email protected] ABSTRAK: Slh stu slh dl kehdup sehr hr yg

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. 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

Metode Fuzzy ASM pada Masalah Transportasi Fuzzy Seimbang

Metode Fuzzy ASM pada Masalah Transportasi Fuzzy Seimbang EMINAR MATEMATIKA AN PENIIKAN MATEMATIKA UNY 7 T - 6 Metode Fuzzy AM pd Mslh Trsports Fuzzy eg olkh eprtee Mtetk Fkults s d Mtetk Uversts poegoro ol_erf@yhooo Astrk Mslh trsports fuzzy erupk geerlss dr

Lebih terperinci

STUDI OPTIMASI PENGGUNAAN ENERGI LISTRIK PADA SISTEM TATA CAHAYA BUATAN DI GEDUNG POLITEKNIK NEGERI PONTIANAK

STUDI OPTIMASI PENGGUNAAN ENERGI LISTRIK PADA SISTEM TATA CAHAYA BUATAN DI GEDUNG POLITEKNIK NEGERI PONTIANAK Vokasi Volume IX, Nomor 3, Nopember 2013 ISSN 1693 9085 hal 141-151 STUDI OPTIMASI PENGGUNAAN ENERGI LISTRIK PADA SISTEM TATA CAHAYA BUATAN DI GEDUNG POLITEKNIK NEGERI PONTIANAK Medi Yuwono Tharam, Fartha

Lebih terperinci

PENELITIAN OPERASIONAL I (TIN 4109)

PENELITIAN OPERASIONAL I (TIN 4109) PENELITIAN OPERASIONAL I (TIN 409) Lecture 9 LINEAR PROGRAMMING Lecture 9 Outline: Analisa Sensitivitas Simple Duality References: Frederick Hillier and Gerald J. Lieberman. Introduction to Operations

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

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

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

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

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

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

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

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

SOAL LATIHAN. Kerjakan soal-soal berikut ini dengan singkat dan jelas!

SOAL LATIHAN. Kerjakan soal-soal berikut ini dengan singkat dan jelas! SOAL LATIHAN Kerjakan soal-soal berikut ini dengan singkat dan jelas! 1. Suatu perusahaan mempunyai tiga lokasi gudang yaitu F a, F b dan F c yang akan didistribusikan ke 3 kota yaitu W 1, W 2 dan W 3.

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. 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 IV INTEGRAL RIEMANN

BAB IV INTEGRAL RIEMANN Itegrl Rie BAB IV INTEGRAL RIEMANN Utuk epeljri leih ljut tetg kosep itegrl Rie, k leih ik jik pec ehi eerp hl erikut. A. Prtisi Defiisi 4.1 Dierik itervl tertutup [, ], hipu terurut d erhigg P = { = x

Lebih terperinci

Bentuk Standar. max. min

Bentuk Standar. max. min Teori Dualitas 2 Konsep Dualitas Setiap permasalahan LP mempunyai hubungan dengan permasalahan LP lain Masalah dual adalah sebuah masalah LP yang diturunkan secara matematis dari satu model LP primal 3

Lebih terperinci

MASALAH PENUGASAN METODE KUANTITATIF MANAJEMEN

MASALAH PENUGASAN METODE KUANTITATIF MANAJEMEN MASALAH PENUGASAN METODE KUANTITATIF MANAJEMEN Disusun sebagai Tugas Akhir Triwulan I Mata Kuliah Metode Kuantitatif Manajemen Disusun Oleh : TEDY SAPUTRA (P056132391.51) YUNIAR ENDAH PALUPI (P056132441.51)

Lebih terperinci

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif Vol. 3 No. 80-85 Ju 007 Bts Nl Ege Mksl D Mtks Tk Negtf A. Kes Jy Abstk Ide ut skps dlh utuk edptk etode dl eetuk bts d l ege ksl d tks tk egtf deg bedsk bts Fobeus. Ytu R d dlh ulh bs tu kolo u d R dlh

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

Pertemuan 7 Persamaan Linier

Pertemuan 7 Persamaan Linier Perteu 7 Pers Liier Ojektif:. Prktik ehi teori dsr Pers Liier. Prktik dpt eyelesik Pers Liier. Prktik dpt eut progr erkisr tetg Pers Liier Pers Liier P7. Teori Pers lier dlh seuh pers ljr, yg tip sukuy

Lebih terperinci

Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c

Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c PROGRAM MAGISTER AGRIBISNIS UNIVERSITAS JAMBI Prof. Dr. Ir. ZULKIFLI ALAMSYAH, M.Sc. Metode Simpleks adlh suatu metode yg secara matematis dimulai

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

BAB III Transportasi

BAB III Transportasi BAB III Transportasi 1. Metode Transportasi Metode transportasi adalah suatu metode yang digunakan untuk mengatur distribusi dari sumber-sumber yang menyediakan produk yang sama atau sejenis ke tempat

Lebih terperinci

1. Bilangan Berpangkat Bulat Positif

1. Bilangan Berpangkat Bulat Positif N : Zui Ek Sri Kels : NPM : 800 BILANGAN BERPANGKAT DAN BENTUK AKAR A. Pgkt Bilg Bult. Bilg Berpgkt Bult Positif Dl kehidup sehri-hri kit serig eeui perkli ilg-ilg deg fktor-fktor yg s. Mislk kit teui

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Dl k duk ege etode-etode lh d teo-teo yg dguk dl peyeles pesol utuk eetuk odel pog le dl poduks Teh pd PT.Pekeu Nust IV Med.. Peget Lus Poduks Pd uuy poduks sutu peush d eg es. Ad

Lebih terperinci

EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA. Bilangan a (a 0) disebut basis atau bilangan pokok, sedangkan n disebut pangkat atau eksponen.

EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA. Bilangan a (a 0) disebut basis atau bilangan pokok, sedangkan n disebut pangkat atau eksponen. EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA theresivei.wordpress.o A. BENTUK PANGKAT BULAT. Pgkt Bult Positif Igt: 5 5 = (-) = -() = Defiisi Bilg erpgkt ult positif : Mislk ilg ult positif d ilg Rel,

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

1. Aturan Pangkat 3. Logartima

1. Aturan Pangkat 3. Logartima KL UN Mtetk MA IPA 9/ No. KL Ruus. Meetuk egs pert g dperoleh dr perk kespul.. p q. p q. p q ~ (p q) = ~p ~q ~ (eu/etp p) = Ad/Beerp ~p p. ~q q r ~ (p q) = ~p ~q ~ (Ad/Beerp p) = eu/etp ~p q ~p p r p q

Lebih terperinci

PENYELESAIAN MASALAH PENJADWALAN PERTANDINGAN SEPAK BOLA DENGAN SISTEM ROUND-ROBIN ABDILLAH

PENYELESAIAN MASALAH PENJADWALAN PERTANDINGAN SEPAK BOLA DENGAN SISTEM ROUND-ROBIN ABDILLAH PENYELESAIAN MASALAH PENJADWALAN PERTANDINGAN SEPAK BOLA DENGAN SISTEM ROUND-ROBIN ABDILLAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008 PENYELESAIAN

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

Tabel 1. Soal Lapres. Benang Pewarna Harga Jual Permasalahan tersebut dimodelkan sebagai berikut : X2 = Sarung Anak

Tabel 1. Soal Lapres. Benang Pewarna Harga Jual Permasalahan tersebut dimodelkan sebagai berikut : X2 = Sarung Anak 2. Soal Laporan Resmi Sebuah pabrik sarung tenun ANGGUR memproduksi 2 jenis sarung, yaitu sarung dewasa dan sarung anak. Untuk membuat sebuah sarung dewasa dibutuhkan 25 gulung benang dan 18 kaleng pewarna.

Lebih terperinci

ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER

ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER D Arvto 1, Spt Whyugsh 2 Uversts Neger Mlg E l : [email protected] ABSTRAK: Mslh trsports fuzzy d ler erupk slh stu

Lebih terperinci

BAB V INTEGRAL DARBOUX

BAB V INTEGRAL DARBOUX Itegrl Droux BAB V INTEGRAL DARBOUX Pd thu 1875, mtemtikw I.G. Droux secr kostruktif memodifiksi defiisi itegrl Riem deg terleih dhulu medefiisik jumlh Droux ts (upper Droux sum) d jumlh Droux wh (lower

Lebih terperinci

PENYELESAIAN MODEL LINEAR PROGRAMMING SECARA MATEMATIK (METODE SIMPLEKS)

PENYELESAIAN MODEL LINEAR PROGRAMMING SECARA MATEMATIK (METODE SIMPLEKS) Maximize or Minimize Subject to: Z = f (x,y) g (x,y) = c S1 60 4 2 1 0 S2 48 2 4 0 1 Zj 0-8 -6 0 0 PENYELESAIAN MODEL LINEAR PROGRAMMING SECARA MATEMATIK (METODE SIMPLEKS) Prof. Dr. Ir. ZULKIFLI ALAMSYAH,

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

BAB III LIMIT FUNGSI DAN KEKONTINUAN

BAB III LIMIT FUNGSI DAN KEKONTINUAN BAB III LIMIT FUNGSI DAN KEKONTINUAN 3. Pedhulu Seelu hs liit fugsi di sutu titik terleih dhulu kit k egti perilku sutu fugsi f il peuh edekti sutu ilg ril tertetu. Misl terdpt sutu fugsi f() = + 4. Utuk

Lebih terperinci

EXPONEN DAN LOGARITMA

EXPONEN DAN LOGARITMA Drs Pudjul Prijoo SMA Negeri Mlg EXPONEN DAN LOGARITMA A EXPONEN Sift-sift il Berpgkt yg ekspoey il Bult Sift-sift il Berpgkt yg ekspoey il Rsiol/Peh 0 ; 0 ; 0 0, 0 ; 0 0 d ; 7 0 0; ; Meyederhk etuk :

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian ini dilaksanakan di Sub Terminal Agribisnis (STA) Rancamaya yang berlokasi di Jl. Raya Rancamaya Rt 01/01, Kampung Rancamaya Kidul, Desa Rancamaya,

Lebih terperinci

APLIKASI INTEGRAL TENTU

APLIKASI INTEGRAL TENTU APLIKASI INTEGRAL TENTU Apliksi Itegrl Tetu థ Lus ditr 2 kurv థ Volume ed dlm idg (deg metode ckrm d cici) థ Volume ed putr (deg metode kulit tug) థ Lus permuk ed putr థ Mome d pust mss 1 2 1. LUAS DIANTARA

Lebih terperinci

Teknik Riset Operasi. Oleh : A. AfrinaRamadhani H. Teknik Riset Operasi

Teknik Riset Operasi. Oleh : A. AfrinaRamadhani H. Teknik Riset Operasi Oleh : A. AfrinaRamadhani H. 1 PERTEMUAN 7 2 METODE BIG M Sering kita menemukan bahwa fungsi kendala tidak hanya dibentuk oleh pertidaksamaan tapi juga oleh pertidakasamaan dan/atau persamaan (=). Fungsi

Lebih terperinci

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0.

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0. KKKF BAHAGAN A 6 MARKAH Arh : Jw SEMUA sol. Kepekt kter pecemr pt, d dlm secw teh trk yg drk selm eerp jm derk oleh: pt = 5e -.5t + 5e -.75t Crk ms, t, dlm ut jm yg dperluk utuk kter jk kepekt yg dkehedk

Lebih terperinci

TEOREMA DERET PANGKAT

TEOREMA DERET PANGKAT TEOEMA DEET PANGKAT Kosep Dsr Deret pgkt erupk sutu etuk deret tk higg 3 + ( + + 3( +... ( disusik,, d koefisie i erupk ilg rel. Julh prsil utuk suku pert etuk di ts dlh s yg dpt ditulisk segi s ( + (

Lebih terperinci

Tekun dan Teliti adalah Kunci Keberhasilan Anda PEMROGRAMAN LINEAR

Tekun dan Teliti adalah Kunci Keberhasilan Anda PEMROGRAMAN LINEAR Teku d Telt dlh Kuc Keberhsl Ad PEMROGRAMAN LINEAR Pdg bg Rset Opers berkut: TSP MP Trss Trsp Network PD PL PNL P Progr Ler (PL) erupk bg dr rset opers (RO) g erupk kupul etode peeles slh-slh t secr tets.

Lebih terperinci

PERTEMUAN 4 Metode Simpleks Kasus Maksimum

PERTEMUAN 4 Metode Simpleks Kasus Maksimum PERTEMUAN 4 Metode Simpleks Ksus Mksimum Untuk menyelesikn Persoln Progrm Linier dengn Metode Simpleks untuk fungsi tujun memksimumkn dn meminimumkn crny ered Model mtemtik dri Permslhn Progrm Linier dpt

Lebih terperinci

VII. KEPUTUSAN PRODUKSI AKTUAL DAN OPTIMAL

VII. KEPUTUSAN PRODUKSI AKTUAL DAN OPTIMAL VII. KEPUTUSAN PRODUKSI AKTUAL DAN OPTIMAL 7.1 Keputusan Produksi Aktual Keputusan produksi aktual adalah keputusan produksi yang sudah terjadi di P4S Nusa Indah. Produksi aktual di P4S Nusa Indah pada

Lebih terperinci

INTEGRAL TERTENTU. sebagai P = max{x i x i-1 1 = 1, 2, 3,, n}. a = x 0 x 1 x 2 x n = b. Contoh: Pada interval [ 3, 3], suatu partisi P = { 3, 1 2 , 31

INTEGRAL TERTENTU. sebagai P = max{x i x i-1 1 = 1, 2, 3,, n}. a = x 0 x 1 x 2 x n = b. Contoh: Pada interval [ 3, 3], suatu partisi P = { 3, 1 2 , 31 INTEGRAL TERTENTU Defs: Prs P pd ervl [,] dlh suu suse erhgg P = {,,,, } dr [,] deg = < < < < = Jk P = {,,,, } prs pd [,] mk Norm P, duls P, ddefsk seg P = m{ - =,,,, } Cooh: = = Pd ervl [, ], suu prs

Lebih terperinci

Aljabar Linear Elementer

Aljabar Linear Elementer Aljr Lier Elemeter MA SKS Silus : B I Mtriks d Opersiy B II Determi Mtriks B III Sistem Persm Lier B IV Vektor di Bidg d di Rug B V Rug Vektor B VI Rug Hsil Kli Dlm B VII Trsformsi Lier B VIII Rug Eige

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

Analisis Sensitifitas. Analsis sensitifitas

Analisis Sensitifitas. Analsis sensitifitas Analisis Sensitifitas Analsis sensitifitas Dasar analisis sensitifitas Permasalahan matematika merupakan permasalahan pendekatan (model) Optimasi juga merupakan masalah pendekatan dengan menggunakan sebuah

Lebih terperinci

Metode Simpleks dengan Big M dan 2 Phase

Metode Simpleks dengan Big M dan 2 Phase Metode Simpleks dengan Big M dan 2 Phase Metode Simpleks Vs. Simpleks Big-M Perbedaan metode simpleks dengan metode simpleks Big-M adalah munculnya variabel artificial (variabel buatan), sedangkan metode

Lebih terperinci

matematika PEMINATAN Kelas X SIFAT-SIFAT EKSPONEN K13 A. DEFINISI EKSPONEN B. SIFAT-SIFAT BENTUK PANGKAT

matematika PEMINATAN Kelas X SIFAT-SIFAT EKSPONEN K13 A. DEFINISI EKSPONEN B. SIFAT-SIFAT BENTUK PANGKAT K1 Kels X tetik PEMINATAN SIFAT-SIFAT EKSPONEN TUJUAN PEMBELAJARAN Setelh epeljri teri ii, ku dihrpk eiliki kepu erikut. 1. Mehi defiisi ekspoe.. Mehi sift-sift etuk pgkt.. Mehi sift-sift etuk kr.. Megguk

Lebih terperinci

Nuryanto,ST.,MT. Integral merupakan operasi invers dari turunan. Jika turunan dari F(x) adalah F (x) = f(x), maka F(x) = f(x) dx.

Nuryanto,ST.,MT. Integral merupakan operasi invers dari turunan. Jika turunan dari F(x) adalah F (x) = f(x), maka F(x) = f(x) dx. Nuryto,ST.,MT d c. INTEGRAL TAK TENTU KONSEP DASAR INTGRAL f. ALJABAR INTEGRAL f. TRIGONO CONTOH SOAL SOAL LATIHAN UJI KOMPETENSI Itegrl merupk opersi ivers dri turu. Jik turu dri F dlh F = f, mk F = f

Lebih terperinci

PROGRAM LINIER : ANALISIS POST- OPTIMAL. Pertemuan 6

PROGRAM LINIER : ANALISIS POST- OPTIMAL. Pertemuan 6 PROGRAM LINIER : ANALISIS POST- OPTIMAL Pertemuan 6 Pengantar Biasanya, setelah solusi optimal dari masalah program linier ditemukan maka peneliti cenderung untuk berhenti menganalisis model yang telah

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

Konsep Primal - Dual

Konsep Primal - Dual Konsep Primal - Dual Teori Dualitas Persoalan Primal dan Dual Persoalan Primal (asli) Persoalan Dual (kebalikan dari primal) PRIMAL DUAL A. Fungsi Tujuan A. Fungsi Tujuan 1. Maksimisasi Laba 1. Minimisasi

Lebih terperinci

ANALISIS SENSITIVITAS DAN PENAFSIRAN HASILNYA DI DALAM PEMROGRAMAN LINIER DENGAN PERANGKAT LUNAK MANAGEMENT SCIENTIST VERSI 6.0

ANALISIS SENSITIVITAS DAN PENAFSIRAN HASILNYA DI DALAM PEMROGRAMAN LINIER DENGAN PERANGKAT LUNAK MANAGEMENT SCIENTIST VERSI 6.0 ANALISIS SENSITIVITAS DAN PENAFSIRAN HASILNYA DI DALAM PEMROGRAMAN LINIER DENGAN PERANGKAT LUNAK MANAGEMENT SCIENTIST VERSI 6.0 Djoni Dwijono Abstrak Analisis Sensitivitas di dalam Pemrograman Linier memegang

Lebih terperinci

Hendra Gunawan. 30 Oktober 2013

Hendra Gunawan. 30 Oktober 2013 MA MATEMATIKA A Hendr Gunwn Semester I, 2/24 Oktoer 2 Ltihn. Fungsi g =,, terintegrlkn pd [, ]. Nytkn integrl tentu g pd [, ] segi limit jumlh Riemnn dengn prtisi reguler, dn hitunglh niliny. //2 c Hendr

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

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

PENGOPTIMUMAN PADA MASALAH PEMROGRAMAN LINEAR DENGAN KOEFISIEN INTERVAL ANA FARIDA

PENGOPTIMUMAN PADA MASALAH PEMROGRAMAN LINEAR DENGAN KOEFISIEN INTERVAL ANA FARIDA PENGOPTIMUMAN PADA MASALAH PEMROGRAMAN LINEAR DENGAN KOEFISIEN INTERVAL ANA FARIDA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR ABSTRAK ANA FARIDA.

Lebih terperinci

Sistem Bilangan dan Kesalahan. Sistim Bilangan Metode Numerik 1

Sistem Bilangan dan Kesalahan. Sistim Bilangan Metode Numerik 1 Sistem Bilg d Keslh Sistim Bilg Metode Numerik Peyji Bilg Bult Bilg ult yg serig diguk dlh ilg ult dlm sistem ilg desiml yg didefiisik s: N ( )...... Sistim Bilg Metode Numerik Cotoh : 673 * 3 6* 7* 3*

Lebih terperinci

MA SKS Silabus :

MA SKS Silabus : Aljr Lier Elemeter A SKS Silus : B I triks d Opersiy B II Determi triks B III Sistem Persm Lier B IV Vektor di Bidg d di Rug B V Rug Vektor B VI Rug Hsil Kli Dlm B VII Trsformsi Lier B VIII Rug Eige 7//7

Lebih terperinci

F 2 (c,0) yang berarti F 1 (-c, 0) dan F 2 (c, 0), b 2 =a 2 c 2 atau a 2 = b 2 +c 2 dan p (x,y) terletak ada elips. 4cx = 4a 2 2 2

F 2 (c,0) yang berarti F 1 (-c, 0) dan F 2 (c, 0), b 2 =a 2 c 2 atau a 2 = b 2 +c 2 dan p (x,y) terletak ada elips. 4cx = 4a 2 2 2 B III : Ligkr 7 5.. DEFINISI Ellips dlh tept keduduk titik g julh jrk terhdp du titik tertetu tetp hrg. F (titik tetp) erupk erks gris g diseut direkstriks, F (-,) F (,) diseut eksetrisits (e). e = AB

Lebih terperinci

MATEMATIKA TEKNIK 2 3 SKS TEKNIK ELEKTRO UDINUS

MATEMATIKA TEKNIK 2 3 SKS TEKNIK ELEKTRO UDINUS MATEMATIKA TEKNIK SKS TEKNIK ELEKTRO UDINUS Integrl Fungs Kompleks 4 INTEGRAL FUNGSI KOMPLEKS Sepert hlny dlm fungs rl, dlm fungs kompleks jug dkenl stlh ntegrl fungs kompleks sert sft-sftny Sft kenltkn

Lebih terperinci

BAB III PEMBAHASAN. kali makanan utama dan tiga kali makanan antara/kudapan (snack) dengan jarak

BAB III PEMBAHASAN. kali makanan utama dan tiga kali makanan antara/kudapan (snack) dengan jarak BAB III PEMBAHASAN A. Perencanaan Menu Diet Diabetes Mellitus Diet DM di RS PKU Muhammadiyah Yogyakarta diberikan dengan cara tiga kali makanan utama dan tiga kali makanan antara/kudapan (snack) dengan

Lebih terperinci

Sistem Bilangan dan Kesalahan. Metode Numerik

Sistem Bilangan dan Kesalahan. Metode Numerik Sistem Bilg d Keslh Peyji Bilg Bult Bilg ult yg serig diguk dlh ilg ult dlm sistem ilg desiml yg didefiisik s: N ( )...... Cotoh : 673 * 3 6* 7* 3* Bilg ult deg ilg dsr c didefiisik segi : ( )... c N c

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

Lampiran 1 Syntax Program LINGO 11.0 untuk Menyelesaikan Masalah Pemrograman Linear dengan Metode Branch-and-Bound beserta Hasil yang Diperoleh

Lampiran 1 Syntax Program LINGO 11.0 untuk Menyelesaikan Masalah Pemrograman Linear dengan Metode Branch-and-Bound beserta Hasil yang Diperoleh LAMPIRAN 26 27 Lampiran 1 Syntax Program LINGO 11.0 untuk Menyelesaikan Masalah Pemrograman Linear dengan Metode Branch-and-Bound beserta Hasil yang Diperoleh 1) LP-relaksasi masalah (6) Max z = 3x1+ 5x2

Lebih terperinci

VI HASIL DAN PEMBAHASAN

VI HASIL DAN PEMBAHASAN VI HASIL DAN PEMBAHASAN 6.1. Perumusan Fungsi Tujuan Berdasarkan metode penelitian, perumusan model program linear didahului dengan penentuan variabel keputusan, fungsi tujuan, dan kendala. Fungsi tujuan

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

Bab II Pengenalan Program Linear

Bab II Pengenalan Program Linear Bab II Pengenalan Program Linear Program Linear adalah suatu alat yang digunakan untuk menyelesaikan masalah optimasi suatu model linear dengan keterbatasan-keterbatasan sumber daya yang tersedia. Masalah

Lebih terperinci

dan mempunyai vektor normal n =(a b c). Misal P(x,y,z) suatu titik berada pada bidang. 1. Persamaan bidangnya adalah n P P

dan mempunyai vektor normal n =(a b c). Misal P(x,y,z) suatu titik berada pada bidang. 1. Persamaan bidangnya adalah n P P Rug Vektor Tuju:. Megigt kembli persm gris d bidg di rug.. Memhmi ksiom rug vektor, kombisi liier d rug bgi.. Megigt kembli pegerti bebs d bergtug liier, bsis d dimesi. Arti geometris dri determi Jik A

Lebih terperinci

Analisis Sensitivitas Produksi Kopi Sambung

Analisis Sensitivitas Produksi Kopi Sambung PRISMA (08) PRISMA, Prosiding Seminar Nasional Matematika https://journal.unnes.ac.id/sju/index.php/prisma/ Analisis Sensitivitas Produksi Kopi Sambung Ulfasari Rafflesia Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci