Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKnapsack Problem (KP) adalah masalah penempatan item (barang) ke dalam suatu tempat (biasa disebut Knapsack) yang mempunyai kapasitas tertentu, dimana setiap item memiliki berat dan nilai, sehingga total berat dari item-item yang ditempatkan tidak melebihi kapasitas Knapsack dan nilai yang didapatkan maksimum. {0,1}-Knapsack Problem ({0,1}-KP) adalah kasus khusus dari KP dimana setiap item hanya tersedia 1 unit, sehingga keputusannya adalah untuk memasukkan item tersebut ke dalam Knapsack (𝑥=1) atau tidak (𝑥=0). Algoritma Soccer League Competition (SLC) akan digunakan untuk menyelesaikan {0,1}-KP yang ide dasarnya berasal dari kompetisi yang terjadi di liga sepak bola. Penyelesaian {0,1}-KP menggunakan algoritma SLC ini kemudian akan disimulasikan pada 10 permasalahan {0,1}-KP dengan menggunakan perangkat lunak pada komputer. Lalu, hasilnya akan dibandingkan dengan solusi yang diperoleh dari algoritma NGHS

---

ABSTRACTKnapsack Problem (KP) is an optimization problem to placed some item into a place (called Knapsack) that have certain capacity, which each item has a weight and a value, so that the total weight of the chosen items does not exceed the capacity of knapsack and the total value is as large as possible. {0,1}-Knapsack Problem ({0,1}-KP) is a case of KP which is only one unit available for each item, so that the decision is to put these items to knapsack (𝑥=1) or not (𝑥=0). Soccer League Competition algorithm will be used to solving {0,1}-KP. The basic idea of SLC algorithm is from the competition that happen on a soccer league.Then SLC algorithm will be simulated on 10 solved {0,1}-KP problem with software on computer to solve {0,1}-KP and will be compared with solutions from NGHS"

"Konsep hypergraph pertama kali dikembangkan oleh Claude Berge pada 1960 untuk menggeneralisasi definisi busur di graf, sehingga alih-alih hanya dapat menghubungkan dua buah simpul secara bersamaan, busur (atau hyperedge) pada hypergraph dapat menghubungkan berapa simpul pun. Pada graf sendiri, keberadaan suatu busur yang tidak selalu bersifat deterministik memberi ruang bagi teori probabilitas maupun teori uncertainty untuk membuat pemetaan φ : E → [0,1] dengan E adalah himpunan busur di suatu graf. Di antara teori probabilitas dan teori uncertainty sendiri terdapat perbedaan, seperti probabilitas memetakan beberapa kejadian yang saling bebas dalam operasi perkalian, sementara uncertainty dalam operasi minimum. Suatu graf yang busur-busurnya mengikuti teori probabilitas (disebut juga graf random) lebih dahulu diperkenalkan oleh Erdo ́s dan Renyi pada 1959. Kemudian Gao & Gao pada 2013 mengaplikasikan teori uncertainty pada graf (disebut juga graf uncertain). Liu, dengan mempertimbangkan bahwa randomness dan uncertainty kerap kali muncul bersamaan, mencetuskan konsep kombinasi teori probabilitas dengan teori uncertainty pada 2013. Teori kombinasi yang disebut teori chance ini berhasil diterapkan juga pada graf dan dikenal sebagai konsep graf uncertain random. Di antara banyak penerapan graf uncertain random, terdapat gagasan pencarian derajat kepercayaan atau indeks dari suatu graf dan salah satunya adalah indeks keterhubungan. Indeks keterhubungan sebagai derajat kepercayaan bahwa suatu graf terhubung dapat dicari menggunakan penghitungan terhadap ukuran chance dari masing-masing busur. Karena konsep graf uncertain random dapat dibatasi pada komponen uncertainty-nya saja, maka definisi indeks keterhubungan juga dapat dimodifikasi agar menjadi well-defined untuk graf uncertain. Sejauh ini kebanyakan penelitian teori uncertainty masih tertuju pada graf klasik dan belum ada penelitian terhadap indeks keterhubungan dari hypergraph meskipun hal ini sangat dibutuhkan sebagai aplikasi dari teori uncertainty. Oleh sebab itu, pada penelitian ini, digeneralisasi konsep indeks keterhubungan pada graf uncertain ke dalam uncertain hypergraph dan dicari sifat-sifatnya, baik yang dianalogikan dari graf uncertain maupun yang baru.

---

The hypergraph concept was first developed by Claude Berge in 1960 to generalize the definition of an edge in a graph, so that instead of being only capable to simultaneously connect two vertices, the edge (or hyperedge) in hypergraph is capable to connect any number of vertices. In the graph itself, the existence of an edge that is not always deterministic gives room for probability theory as well as uncertainty theory to make a mapping φ : E → [0, 1] where E is the set of edges in a graph. There are differences between probability theory and the uncertainty theory, such as the way of handling the measure of several independent events which in probability is by multiplication operation, while in uncertainty is by minimum operation. A graph whose edges follow probability theory (also called random graph) was first introduced by Erdo ́s and Renyi in 1959. Then Gao & Gao in 2013 applied the uncertainty theory to a graph (also called uncertain graph). Liu, taking into account that randomness and uncertainty often appear together, coined the concept of combining probability theory with uncertainty theory in 2013. This combined theory called chance theory was also successfully implemented on graph and is known as the uncertain random graph concept. Among the many applications of uncertain random graph, there is the idea of finding the belief degree or the index of a graph and one of them is the connectivity index. Connectivity index as the belief degree that a graph is connected can be found by calculating the chance measure of each edge. Because the concept of an uncertain random graph can be restricted to its uncertainty components only, the definition of connectivity index can also be modified to become well-defined for an uncertain graph. So far, most research on uncertainty theory simply focused on classical graphs and there has been no research on the connectivity index of hypergraph, although this is really needed as an application of uncertainty theory. Therefore, in this study, it is generalized the concept of the connectivity index of an uncertain graph to an uncertain hypergraph, along with its properties, both the analogous one to the uncertain graph and the new one."

"Permasalahan penyimpanan pasti dihadapi oleh semua instansi, terutama perusahaan yang melakukan produksi. Untuk menyelesaikan permasalahan yang ada, perusahaan menggunakan berbagai macam metode dalam manajemen penyimpanan (inventory management). Salah satunya adalah metode Economic Order Quantity (EOQ). Namun demand (permintaan) dalam metode EOQ dianggap konstan berdasarkan asumsi dalam metode EOQ. Pada kenyataannya permintaan terhadap barang tidak selalu sama setiap waktunya. Oleh dari itu, dalam penelitian ini dilakukan peramalan permintaan dengan menggunakan model peramalan Zhang’s Hybrid yang menggabungkan metode Autoregressive Integrated Moving Average atau ARIMA untuk menggambarkan bagian linear dan Artificial Neural Network untuk menggambarkan bagian nonlinear dari data permintaan. Hasil dari peramalan selanjutnya akan digunakan dalam metode EOQ untuk mendapatkan optimal quantity order dan optimal reordering level. Penelitian ini akan menunjukkan algoritma dan proses penyelesaian permasalahan inventory dengan menerapkan model Zhang’s hybrid untuk peramalan permintaan dalam metode EOQ dengan output berupa optimal quantity order dan optimal reordering level yang ditunjukkan melalui simulasi menggunakan data historis inventory.

---

Every instance in several sectors will face inventory problems, especially for company in production sector. To solve the inventory problems, the company will do several methods in inventory management. One of the method that usually used to solve inventory problem is Economic Order Quantity (EOQ) method. By standard EOQ assumption, the demand is set to be constant, while in the fact the demand is variative by time. Therefore, this study will use Zhang’s Hybrid Method for demand forecasting that use ARIMA to describe the linear part and use Artificial Neural Network to describe the nonlinear part of the data. The outcome from the method is used as demand for EOQ process to find the optimal quantity order and the optimal reordering level. The study provide solving algorithm and show how to apply Zhang’s hybrid model in demand forecasting for EOQ, the output of the process are optimal quantity order and the optimal reordering level. To understand more about the process, the algorithm are simulated using real historical inventory data."

"Graf G adalah pasangan terurut himpunan (V,E), dimana V merupakan himpunan simpul dari graf G dan E merupakan himpunan busur dari graf G. Pelabelan-k total takteratur φ:V(G)∪E(G)→{1,2,…,k} dari graf G=(V,E) adalah pelabelan dari simpul dan busur dari G sedemikian sehingga untuk setiap busur xy dan x'y' bobot φ(x)+φ(xy)+φ(y) dan φ(x^' )+φ(x^' y^' )+φ(y^' ) berbeda. tes(G) adalah nilai minimum dari k sedemikian sehingga graf G mempunyai pelabelan-k total takteratur. Pada skripsi ini akan dipaparkan hasil kajian literatur pelabelan total takteratur busur pada beberapa kelas graf yang mengandung lingkaran yaitu graf lengkap, graf bipartit lengkap, dan graf produk dari dua lingkaran

---

Graph G is a pair of distinct set (V,E), where V is a vertex set from graph G and E is a edge set from graph G. A total edge irregular k-labelling φ:V(G) ∪E(G)→{1,2,…,k} from graph G=(V,E) is a vertex and edge labelling such as for all edge xy and x'y' weight φ(x)+φ(xy)+φ(y) and φ(x^' )+φ(x^' y^' )+φ(y^') are different. The minimum k for which the graph G has an edge irregular total k-labelling is called the total edge irregularity strength of G aalso called tes(G). In this research, author will show result literature study on edge irregular total k-labelling from some classes graph that is complete graph, complete bipartite graph, and product of two cycle."

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."

"Kendaraan mobil adalah salah satu kendaraan yang diminati dan digunakan oleh masyarakat dunia. Tingginya minat masyarakat terhadap mobil meningkatkan jumlah produksi kendaraan dan kendaraan yang beredar di jalan, akan tetapi di sisi lain meningkat pula variabel faktor terjadinya kecelakaan lalu lintas. Data yang diperoleh dari National Safety Council (NSC) menunjukkan sebesar 71% dari total kasus kecelakaan di tahun 2021 terjadi akibat tabrakan kendaraan bermotor dengan kendaraan bermotor lainnya dengan faktor kecelakaan speeding menyumbang persentase tertinggi yakni 29%. Salah satu cara untuk meminimalkan risiko kecelakaan adalah dengan tetap menjaga jarak aman berkendara relatif terhadap kecepatan kendaraan menggunakan prinsip aturan 3 detik atau 3-second rule. Aturan 3-detik bertujuan untuk memberikan cukup waktu bagi pengemudi untuk bereaksi apabila kendaraan di depan melakukan pengereman mendadak. Aturan ini efektif meminimalkan risiko kecelakaan, sehingga kendaraan-kendaraan modern telah dilengkapi fitur canggih seperti sistem Asistensi Anti-Tabrakan Depan atau lebih dikenal sebagai Forward Collision-Avoidance Assist (FCAA) untuk memberi peringatan visual kepada pengemudi tentang potensi tabrakan dari depan. Namun, sistem canggih ini memerlukan biaya yang tidak sedikit karena tersusun dari berbagai alat dan sensor. Untuk mengatasi tantangan biaya, perkembangan teknologi pemrosesan citra dapat menjadi solusi alternatif yang lebih murah. Pada penelitian ini, teknologi kecerdasan buatan dan pendekatan pemrosesan citra akan digunakan untuk mendeteksi jarak aman berkendara. Kombinasi dari algoritma sobel-edge detection, binary thresholding, dan model deteksi objek YOLOv8 untuk membuat program yang menampilkan safe driving area dan dapat memberi peringatan visual apabila jarak kendaraan di depan pengendara tidak memenuhi aturan jarak aman berkendara 3-detik. Performa sistem anti-tabrakan depan dievaluasi dengan observasi terhadap tingkat fluktuasi hasil deteksi safe driving area antar frame output. Umumnya, kesalahan disebabkan oleh data rekaman video yang berguncang sehingga piksel tampak blur, terdapat bayangan pada jalan, atau terdapat objek yang menutupi piksel fitur. Melalui penelitian ini, diharapkan dapat meningkatkan rasa waspada bagi pengemudi untuk tetap menjaga jarak aman berkendara yang memenuhi aturan 3-detik.

---

Cars are one of the vehicles that are in demand and used by people around the world. The high public interest in cars increases the number of vehicles produced and circulating on the road. Still, on the other hand, the variable factors in the occurrence of traffic accidents also increase. Data obtained from the National Safety Council (NSC) shows that 71% of the total accident cases in 2021 occurred due to motor vehicle collisions with other motor vehicles with the highest percentage being a speeding accident factor, 29%. One way to minimize the risk of accidents is while maintaining a safe driving distance relative to vehicle speed using the 3-second rule principle. The 3-second rule aims to give the driver enough time to react if the vehicle in front brakes suddenly. This rule is effective in minimizing the risk of accidents, so modern vehicles are equipped with advanced features such as the Forward-Collision Avoidance Assist (FCAA) to provide visual warnings to drivers about potential forward-collisions. However, this sophisticated system requires quite a bit of money because it is composed of various tools. To overcome cost challenges, the development of image processing technology can be a cheaper alternative solution. In this research, artificial intelligence technology and image processing approaches will be used to detect safe driving distances. A combination of the Sobel-edge detection algorithm, binary thresholding, and the YOLOv8 object detection model creates a program that displays safe driving areas and can provide a visual warning if the distance of the vehicle in front of the driver does not meet the 3-second rule of safe driving distance. The performance of the forward collision-avoidance system was evaluated by observing the level of fluctuation in safe driving area detection result between ouput frames. Generally, errors are caused by shaky video recording data so that pixels appear blurry, there are shadows on the road, or there are objects covering feature pixels. Through this research, it is hoped that it can increase the sense of alertness for drivers to maintain a safe driving distance that meets the 3-second rule."

"Knapsack Problem KP adalah masalah penempatan item barang ke dalam suatu tempat biasa disebut Knapsack yang mempunyai kapasitas tertentu dimana setiap item memiliki berat dan nilai sehingga total berat dari item item yang ditempatkan tidak melebihi kapasitas Knapsack dan nilai yang didapatkan maksimum 0 1 Knapsack Problem 0 1 KP adalah kasus khusus dari KP dimana setiap item hanya tersedia 1 unit sehingga keputusannya adalah untuk memasukkan item tersebut ke dalam Knapsack atau tidak Algoritma Soccer League Competition SLC akan digunakan untuk menyelesaikan 0 1 KP yang ide dasarnya berasal dari kompetisi yang terjadi di liga sepak bola Penyelesaian 0 1 KP menggunakan algoritma SLC ini kemudian akan disimulasikan pada 10 permasalahan 0 1 KP dengan menggunakan perangkat lunak pada komputer Lalu hasilnya akan dibandingkan dengan solusi yang diperoleh dari algoritma NGHS.

---

Knapsack Problem KP is an optimization problem to placed some item into a place called Knapsack that have certain capacity which each item has a weight and a value so that the total weight of the chosen items does not exceed the capacity of knapsack and the total value is as large as possible 0 1 Knapsack Problem 0 1 KP is a case of KP which is only one unit available for each item so that the decision is to put these items to knapsack or not Soccer League Competition algorithm will be used to solving 0 1 KP The basic idea of SLC algorithm is from the competition that happen on a soccer league Then SLC algorithm will be simulated on 10 solved 0 1 KP problem with software on computer to solve 0 1 KP and will be compared with solutions from NGHS."

"ABSTRAKMasalah penambahan rute penerbangan merupakan masalah dalam memilih rute-rute terbaik untuk ditambahkan ke dalam suatu jaringan penerbangan yang sudah ada. Tujuan dari penambahan rute tersebut adalah untuk memperbaiki robustness dari jaringan yang sudah ada. Salah satu metode pengukuran yang paling baik untuk mengukur robustness suatu jaringan adalah konektivitas aljabar. Semakin tinggi konektivitas aljabar suatu jaringan berarti semakin robust jaringan tersebut. Oleh karena itu, rute-rute terbaik yang dipilih adalah rute-rute yang saat ditambahkan menghasilkan konektivitas aljabar yang paling tinggi. Pada skripsi ini, masalah penambahan rute penerbangan diselesaikan menggunakan metode Tabu Search. Selain itu, sensitivitas metode Tabu Search terhadap perbedaan solusi awal juga dianalisa dengan melakukan percobaan.

---

ABSTRACTFlight routes addition problem is a problem of choosing the best routes to be added to an existing air transportation network. The purpose of the addition is to improve the network?s robustness. One of the best metric to measure robustness of a network is algebraic connectivity. Higher algebraic connectivity means more robust network. Therefore, the best routes to be added are the routes that will yield the highest algebraic connectivity when they were added to the network. In this ?skripsi?, the flight routes addition is solved using Tabu Search method. Furthermore, the sensitivity of Tabu Search method towards different initial solutions is analysed by conducting several trials."

"Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan yang utama di Indonesia.  Berdasarkan data dari Kemenkes RI, pada tahun 2022 jumlah insiden DBD dicatat sebanyak 131.265 yang mana sekitar 40% adalah anak-anak usia 0 sampai 14 tahun dengan jumlah kasus kematian mencapai 1.135 jiwa dengan 73% terjadi pada anak-anak usia 0 sampai 14 tahun. DBD disebabkan oleh virus dengue yang disebarkan melalui gigitan nyamuk Aedes aegypti  dan Aedes albopictus.. Selain faktor kebersihan lingkungan dan kebiasaan masyarakat, tingginya insiden DBD di Indonesia juga dipengaruhi oleh beberapa faktor iklim seperti curah hujan, temperatur, dan kelembapan. Memaksimalkan proses pencegahan DBD oleh pemerintah dan masyarakat dapat menekan tingginya kasus DBD di Indonesia. Salah satu cara untuk memaksimalkan proses pencegahan DBD adalah dengan melakukan prediksi jumlah insiden DBD yang akan terjadi kedepannya. Dengan mengetahui hasil prediksi jumlah insiden DBD, diharapkan masyarakat dan pemerintah dapat memaksimalkan proses pencegahan DBD. Pada tugas akhir ini, dilakukan prediksi jumlah insiden DBD menggunakan convolutional neural network dan extreme gradient boosting, dengan jumlah insiden sebelumnya dan faktor cuaca sebelumnya yang terdiri dari temperatur, curah hujan, dan kelembapan relatif sebagai variabel prediktor. Variabel prediktor yang digunakan ditentukan berdasarkan time lag dari masing-masing variabel prediktor terhadap jumlah insiden DBD menggunakan korelasi silang. Model convolutinal neural network dan extreme gradient boosting yang dibentuk dievaluasi dan dibandingkan berdasarkan nilai Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan waktu simulasi. Pada tugas akhir ini, convolutional neural network memberikan performa yang lebih baik dibandingkan dengan extreme gradient boosting berdasarkan nilai RMSE dan MAE dengan rata-rata 13,3586 untuk RMSE dan 9,2249 untuk MAE. Berdasarkan waktu simulasi, extreme gradient boosting memberikan performa yang lebih cepat dibandingkan convolutional neural network.

---

Dengue Hemorrhagic Fever (DHF) remains a major health problem in Indonesia. Based on data from the Ministry of Health of Indonesia, in 2022, the number of DHF incidents recorded was 131,265, of which approximately 40% were children aged 0 to 14 years, with a total of 1,135 deaths, 73% of which occurred in children aged 0 to 14 years. DHF is caused by the dengue virus, which is transmitted through the bites of Aedes aegypti and Aedes albopictus mosquitoes. In addition to environmental cleanliness and societal habits, the high incidence of DHF in Indonesia is also influenced by several climate factors such as rainfall, temperature, and humidity. Maximizing the DHF prevention process by the government and the community can help reduce the number of DHF cases in Indonesia. One way to maximize the DHF prevention process is by predicting the future number of DHF incidents. By knowing the predicted number of DHF incidents, it is hoped that the community and the government can maximize the DHF prevention process. In this final project, the prediction of the number of DHF incidents is carried out using convolutional neural network and extreme gradient boosting, with the previous incident counts and previous weather factors consisting of temperature, rainfall, and relative humidity as predictor variables. The predictor variables used are determined based on the time lag of each predictor variable on the number of DHF incidents using cross-correlation. In this final project, the convolutional neural network outperforms extreme gradient boosting based on the RMSE and MAE values, with an average of 13.3586 for RMSE and 9.2249 for MAE. However, in terms of simulation time, extreme gradient boosting demonstrates faster performance compared to the convolutional neural network."

"Dalam tugas akhir ini akan dibahas suatu metode pada regresikalibrasi yang berguna untuk estimasi nilai aktual dan interval kepercayaannilai aktual dari nilai observasi yang diberikan. Berdasarkan Vocabulary OfInternational Metrology (VIM), kalibrasi merupakan serangkaian kegiatanyang membentuk hubungan antara nilai yang ditunjukkan oleh instrumen(alat) ukur atau nilai observasi, dengan nilai-nilai yang sudah diketahui ataunilai aktual yang berkaitan dengan besaran yang diukur dalam kondisitertentu. Metode yang digunakan untuk menaksir nilai aktual adalah metodeclassic dan metode inverse, sedangkan metode yang digunakan untukmenaksir interval kepercayaan nilai aktual adalah metode Graybill. Data yangdigunakan dalam penelitian ini adalah data kalibrasi alat pengukur suhu yaituthermocouple yang berasal dari buku Montgomery (2001). Hasil analisis datamenunjukkan bahwa hasil taksiran nilai aktual pada metode inverse lebihdekat dengan rata-rata nilai aktual bila dibandingkan dengan hasil taksirannilai aktual yang diperoleh pada metode classic.Kata kunci : Kalibrasi, Metode Classic, Metode Graybill, Metode Inverse,Regresi Kalibrasix + 74 hlm.; gbr.; tab.; lamp.Bibliografi: 10 (1967 - 2006)"