Tutorial Metode

Kumpulan script php metode penelitian skripsi, thesis dan disertasi. Metode di konversi ke sebuah algoritma. Pada kategori ini terdiri dari perhitungan manual, excel, pdf, demo, dan panduan memahami metode. Selain itu pada kategori ini juga berisi koding tentang implementasi metode kedalam contoh program dan software aplikasi berbasis web online.

Metode Intrinsic Information Content (IIC)

Metode Intrinsic Information Content (IIC) adalah metode yang digunakan untuk mengenali dan menghitung data informasi yang terdapat pada pasangan kata. Pasangan kata ini juga dapat di ambil dari sebuah rangkaian kalimat atau paragraf.

Intrinsic Inforamation merupakan bagian yang tersembunyi dari sebuah pasangan kata baik itu kata yang terkait maupun kata yang mempunya makana sama persis atau sinonim. Pada implementasinya metode ini sering digunakan untuk sebuah konsep penelitian Natural Language Processing (NLP).  Sebuah pemrosesan tingkat tinggi menggunakan konsep penalaran manusia.

Contoh sederhananya kita ingin mengetahui sebuah makna yang terkait dengan pasangan kata antara kata “mobil” dan “bensin”. Meskinpun kata tersebut berbeda dan juga bukan sinonim namun antar kedua kata tersebut masih memiliki keterkaitan.

 

Model-model Penyelesaian dalam Metode Intrinsic Information Content (IIC)

Rumus dasar untuk semua model

Rumus dasar semua model

Rumus dasar semua model

1.Resnik

Model Resnik adalah  sebuah pengukuran kesamaan semantik yang sederhana menggunakan metode informasi konten. Formula kesamaan semantik antar 2 synset adalah,

Rumus model resnik

Rumus model resnik

2.Lin

Model Lin merupakan pengukuran kesamaan semantik yang bertujuan untuk mengatasi kesamaan antar 2 konsep, dan juga perbedaannya, yang keduanya diukur dalam term IC. Nilai kesamaan maksimum dicapai ketika kedua konsep identik. Pengukuran kesamaan tersebut dapat kita lihat dengan persamaan atau rumus bi bawah ini:

Rumus model lin

Rumus model lin

3.Jiang dan conrath

Model Jiang dan Concrath merupakan metode yang menggabungkan struktur taksonomi leksikal dengan informasi statistik corpus sehingga jarak semantik antara node di ruang semantik yang dibangun oleh taksonomi dapat lebih baik diukur dengan bukti komputasi berasal dari analisis distribusi data korpus. Rumusnya sebagai berikut;

Rumus model jiang dan concrath

Rumus model jiang dan concrath

Rumus model jiang dan concrath

Rumus model jiang dan concrath

4.Seco, Veale, dan Hayes

Model Seco, Veale, dan Hayes adalah merupakan metode pengukuran dengan menggunakan konsep tolak ukur alternatif dari IC yang disebut “IC Intrinsik”, yang dikalkulasi semata-mata hanya berdasarkan
taksonomi. Pada formula ini, penggunaan korpus dihilangkan. Sebuah konsep yang memiliki lebih banyak hiponim mengekspresikan informasi yang lebih sedikit daripada konsep yang yang memiliki lebih sedikit hiponim. Rumusnya;

Rumus model Seco, Veale, dan Hayes

Rumus model Seco, Veale, dan Hayes

5.Meng

Model Meng adalah Sebuah konsep yang memiliki lebih banyak hiponim memiliki nilai IC
yang lebih sedikit daripada sebuah konsep yang memiliki lebih sedikit hiponim. Semakin dalam suatu konssep pada suatu taksonomi, semakin besar nilai IC pada konsep tersebut.

Rumus model meng

Rumus model meng

 

Data yang digunakan Metode Intrinsic Information Content (IIC)

Untuk data yang bisa digunakan sebagai data set misalnya simlex-999 dan juga wordsim.

1.Simlex

SimLex-999 adalah sebuah sebuah data set yang bisa digunakan untuk mengevaluasi suatu model yang mempelajari makna suatu kata dan konsep. SimLex-999 lebih dikhususkan untuk dataset yang menguji nilai kesamaan semantik daripada keterkaitan semantik atau asosiasi.

 

2.Wordsim

WordSim-353 adalah dataset yang digunakan sebagai pengujian untuk mengukur nilai kesamaan atau keterkaitan antar kata. Data yang terdapat pada wordsim tersebut berupa pasangan kata bahasa inggris yang terdiri dari beberapa kata benda.

 

Hal-hal yang terkait dengan metode ini

1. Semantic Similarity
Perhitungan semantic similarity adalah merupakan proses yang memerlukan keterlibatan
beberapa disiplin ilmu, seperti bahasa, komputer, matematika logik dan domain yang bersangkutan.

 

2.WordNet
WordNet adalah database kata yang dapat digunakan untuk mengecek kata serta persamaan kata atau kata yang terkait pada sebuah database network semantik untuk bahasa Inggris yang dikembangkan
di Princenton University (http://wordnet.princeton.edu/).  Beberapa versi dalam bahasa lain juga telah dikembangkan seperti EuroNet.

 

3. Latent Semantic
Latent Semantic Analysis (LSA) adalah sebuah teori dan metode untuk mengekstrak dan merepresentasikan konteks yang digunakan sebagai sebuah arti kata dengan memanfaatkan
komputasi statistik untuk sejumlah corpus yang besar dari teks.

 

Untuk jasa pembuatan dengan aplikasi ini kami siap membantu Anda. Pemrograman di buat menggunakan bahasa pemrograman berbasis web php dan juga menggunakan database mysql Untuk info lebih lanjut silahkan kontak kami langsung pada kontak yang ada pada bagian bawah web ini.

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

K-means adalah sebuah metode yang digunakan untuk mengelompokkan atau mengklaster berdasarkan kelas yang telah kita tentukan. Pengelompokkan yang dilakukan biasanya berdasarkan kategori yang ada, dari kategori ini kita akan mengetahui data yang terususun dengan konsep seperti halnya data mining.

Data mining digunakan sebagai datawarehouse kecil yang berfungsi sebagai gudang data yang selanjutnya digunakan untuk mengolah keputusan sehingga menghasilkan sebuah cluster. Nah dalam kehidupan kita sehari-hari banyak sekali kasus-kasus atau permasalahan yang dapat di selesaikan dengan metode K-means ini.

Kenapa metode ini sangat mudah untuk di implementasikan pada kasus-dalam kehidupan sehari-hari?, karena memang metode ini adalah metode dengan konsep seperti metode pengambilan keputusan, letak bedanya adalah pada perhitungan metode K-means membutuhkan data mining sebagai data olahannya.

Contoh kasus penerapan metode k-means

1.Kasus penjualan produk

Pada kasus ini misalkan kita akan mengetahui sebuah produk yang ada pada sebuah toko dari tingkat penjualan. Pada contoh ini data yang akan diolah yaitu data produk beserta data penjualannya. Selanjutnya kategori yang digunakan yaitu makanan, minuman, kebutuhan harian. Dari kategori yang diketahui akan mengetahui cluster yang telah kita tentukan dari tingkat penjualannya misalnya cluster yang kita tentukan yaitu sedikit, sedang dan banyak. Nah untuk ouput akhirnya makan akan diketahui produk mana dengan cluster penjualan tertinggi, sedang dan terendah.

2. Kasus penjurusan SMA

Pada kasus penjurusan SMA data yang kita gunakan yaitu data siswa, data nilai setiap mata peajaran serta data jurusan yang ada, misalkan saja jurusan yang ada yaitu IPA dan IPS maka kedua jurusan inilah yang nantinya akan menjadi cluster dalam keputusan penentuan jurusan SMA tersebut. Untuk data nilai yang di olah misalkan data nilai setiap pelajaran. Hampir sama dengan konsep seperti kasus no 1 kita memerlukan kategori sebagai penentuan titik pusat cluster nantinya, jika melihat pada kasus ini kategori yang digunakan yaitu mata pelajaran yang ada misalkan mtk, bahasa indonesia dan sebagainya.

3.Penentuan penerima beasiswa

Pada kasus penerima beasiswa data mining yang diolah tidak begitu baganyak pada setiap alternatifnya. Misalkan untuk memberikan beasiswa kategori yang digunakan yaitu penghasilan orang tua, jumlah tanggungan, pengeluaran perbulan. Dari contoh kategori ini, kita bisa asumsikan cluster yang akan  digunakan yaitu layak atau tidak layak. Layak atau tidak layak adalah sebuah ouput dari data yang diolah dengan metode K-means.

4.Penentuan tingkat kejahatan

Pada kasus untuk mengetahui tingkat kejahatan, variabel atau kriteria yang digunakan misalkan pembnh*n, curanmor, dan nark*ba dan sebagainya. Data kategori kita gunakan untuk menghitung titik pusat cluster. Dengan cluster yang akan kita tentukan yaitu tinggi dan rendah.

5.Penentuan tingkat penggunaan obat pada rumah sakit

Pada kasus ini data yang diolah yaitu data pemberian obat yang diberikan pada pasien, dari data tersebut dapat kita kategori dalam beberapa kategori yaitu misalnya cair, kaplet, tablet dan juga kapsul Nah untuk cluster yang dapat kita gunakan misalnya tinggi, sedang dan rendah.

 

Secara konsep penggunaan dan implementasi metode ini dapat kita lihat seperti beberapa contoh diatas adalah sama. Yang perlu diketahui adalah data mining yang akan diolah, penentuan kategori dari data yang diolah sebagai penentuan pusat cluster nantinya dan juga cluster yang akan di gunakan sebagai ouput akhir dari perhitungan k-means.

Bagi teman-teman yang mengalami kesulita dalam mencari kasus dalam implementasi metode k-means ini dapat berkonsultasi dengan saya melalu wa atau bbm, silahkan kontak lebih lanjut. Kami juga membuka jasa pembuatan aplikasinya.

 

 

 

Menggabungkan Metode SAW dengan AHP

Menggabungkan Metode SAW dengan AHP

Menggabungkan Metode SAW dengan AHP / gambar:jamf

Menggabungkan metode merupakan suatu langkah untuk mencari tau suatu goal dengan tujuan mengkombinasi, membandingkan dan mencari tau kelebihan serta kelemahan metode pada suatu kasus. Salahsatunya beberapa metode ini yaitu SAW dan AHP merupakan dua metode yang digunakan untuk mengitung proses sistem pendukung keputusan (SPK).

Jika di impelementasikan keduanya dapat berjalan beriringan. Hal tersebut dikarenakan kedua tersebut mempunyai konsep dasar sama yaitu menggunakan kriteria atau subkriteria sebagai metode penghitung variabel yang digunakan.

Letak perbedaanya adalah Metode SAW (Simple Additive Weighting) merupakan metode yang kriterianya menggunakan bobot sebagai dasar acuan pembanding. Sedangkan metode AHP (analytic hirarchy process)  hanya memerlukan variabel kriteria sebagai pengolah variabel.

Menggabungkan Metode SAW dengan AHP

Yang menjadi pertanyaan di benak kita semua, bisakah metode ini digabungkan atau di kombinasikan ?,,

Setelah saya coba ternyata  metode ini bisa di gabungkan, atau di kombinasikan, maksudna dengan goal kita akan mengetahui hasil dari proses kedua metode ini pada suatu studi kasus yang kita terapkan.

Hal-hal yang perlu di perhatikan jika ingin mengabungkan kedua metode ini yaitu:

  1. Kriteria yang digunakan harus sama dan mempunyai nilai bobot untuk kriteria dasar, bobot ini digunakan untuk perhitungan SAW. Pada AHP tidak memerlukan bobot pada perhitungannya
  2. Inputan yang diakukan membutuhkan nilai pada setiap varibel kriteria
  3. Proses dilakukan pemisahan jika ingin membandingkan dari hasil keduanya, namun jika ingin mengaplikasinya hasil akhir dengan kedua metode menjadi satu, proses dilakukan salah satu terlebih dahulu
  4. Kemungkinan hasil akan berbeda bisa terjadi, karena dasar dari SAW adalah pembobotan, Sedangkan AHP dasar nilainya adalah inputan yang diberikan.

 

Untuk pengembangan aplikasinya, biasanya saya menggunakan pemrograman berbasis web, yaitu php dan mysql. Serta dalam implementasi lainya jika dimasukkan dalam framework, saya menggunakan CI (codeigniter), laravel, dan juga YII.

Semoga tutorial dan penjelasan singkat ini dapat membantu menambah informasi bagi kamu yang ingin menggabungkan kedua metode ini menjadi satu.

Kesimpulannya adalah metode ini bisa di kombinasikan, digabungkan dan juga di bandingkan dalam menyelesaikan proses dalam kasus pendukung keputusan.

Postingan berikutnya

  1. menggabungkan dua metode saw dan ahp

4 Contoh Kasus Metode Fuzzy Mamdani dan Kriterianya

4 Contoh Kasus Metode Fuzzy Mamdani dan Kriterianya

4 Contoh Kasus Metode Fuzzy Mamdani dan Kriterianya

Ulasan kali ini akan membahas bagaimana metode fuzzy logic berupa fuzzy mamdani dapat digunakan untuk penyelesaian kasus atau permasalahan dalam kehidupan kita sehari-hari. Fuzzy ini pada implementasi nyata dapat kitam temukan pada beberapa contoh perangkat yanga ada dekat dengan kita.

Perangkat-perangkat atau alat yang menerapkan metode fuzzy misalnya  mesin AC, Mesin cuci, robot serba guna dan perangkat lainya.

Fuzzy logic berperan dalam menterjemahkan bahasa manusia kedalam sebuah nilai yang dapat di hitung berdaarkan nilai derajat keanggotaan.

Berikut ini contoh-contoh kasus atau permasalahan yang dapat diselesaikan dengan metode fuzzy dalam sebuah penlitian skripsi atau tugas akhir.

Contoh Kasus Metode Fuzzy Mamdani

1. Pemilihan Guru Teladan

Guru teladan merupakan aspek penting untuk dilakukan penilaian. Penilaian ini dilakukan agar mutu pengajaran dapat terus ditingkatkan. Dalam kaitannya dengan metode fuzzy mamdani, beberapa kriteria yang digunakan untuk menilai guru teladan misalnya: cara mengajar, kedisiplinan, integritas, kepribadian dan banyak hal lainya.

2. Pemberian beasiswa

Pemberian beasiswa merupakan penentuan keputusan yang  harus dilakukan dengan tepat. Siswa yang berhak seharusnya memang mendapat beasiswa. Permasalaan ini yang  menjadi latar belakang pemilihan beasiswa dapat menggunakan metode fuzzy mamdani, beberapa contoh kriterianya misalnya: penghasilan orang tua, jumlah tanggungan, nilai siswa dan lainya.

3.Pakar Penyakit

Meskipun metode ini berkonsep sistem pendukung keputusan, beberapa waktu lalu saya pernah mengimplementasikan metode ini sebagai metode pada sistem pakar. Dan hasilnya metode fuzzy mamdani ini juga dapat digunakan untuk menghitung pada sebuah aplikasi sistem pakar. Pada kasus yang pernah saya kerjakan, aplikasi sistem pakarnya adalah sistem pakar malaria. Jadi pada sistem tersebut di kelola beberapa jenis penyakit malaria, dan juga masing-masing gejala berdasarkan penyakitnya. Nah konsep penilaiannya adalah pasien melakukan konsultasi berdasarkan kriteria yang ada kemudian berdasarkan kriteria yang masuk maka di lakukan perhitungan menggunakan metode fuzzy mamdani.

Jika pada sistem pakar, pembahasaanya sedikit berbeda bukan kriteria melainkan adalah gejala. Jadi bahasa yang digunakan dalam sistem pakar pengganti kriteria adalah gejala.

4. Penentuan produksi

Dalam kasus ini data yang diolah sangat penting, yaitu berkaitan dengan data produksi. Sistem pada aplikasi dengan studi kasus ini sangat berguna jika di implementasikan pada kenyataanya. Dalam kasus nyata penentuan produksi biasanya terjadai pada industri, pabrik-pabrik baik besar maupun kecil.

Dengan metode fuzzy mamdi, penyelesaian yang dapat dilakukan atau goal yang akan didapat misalnya mencari jumlah produksi dengan data yang sudah disediakan sebelumnya. Dengan kata lainya sebagai pembantu untuk memprediksi produksi di waktu yang akan datang.

 

4 Contoh kasus diatas bisa menjadi acuan atau gambaran untuk kamu menentukan studi kasus. Yang terpenting yang menjadi dasar yaitu data yang akan di olah ada, dah kamu bisa mendapatkannya. Selain data hal yang terkait yaitu variabel kriteria yang digunakan relevan dengan studi kasus kamu. Jika masing bingung atau ragu tentang studi kasus ini kamu bisa kontak saya lebih lanjut untuk berdiskusi tentang fuzzy mamdani ini.

Postingan berikutnya

  1. contoh kasus fuzzy logic
  2. contoh kasus fuzzy boundaries
  3. contoh skripsi tentang pembelajaran dengan metode fuzzy

Metode Fuzzy Mamdani Pada Sistem Pakar

Pada awalnya Saya merasa sedikit ada yang berbeda dengan metode fuzzy mamdani jika di gunakan atau di implementasikan pada sebuah aplikasi studi kasus sistem pakar.

Yang membuat tanda tanya dan kesulitan adalah metode fuzzy mamdani adalah sebuah metode kepastian seperti halnya metode fuzzy tahani, fuzzy topsis, dan juga metode sistem pendukung keputusan atau spk lainya misalnya AHP, SAW DAN dan WP.

Dan pada aplikasi sistem pakar merupaan metode dengan konsep pencarian data yang menggunakan metode berbasis pencarian. Namun setelah di coba dan di implementasikan ternyata metode fuzzy ini juga dapat digunakan atau di kembangkan untuk membangung aplikasi sistem pakar.

Pada kasus saya, sistem pakar yang saya bangun adalah sistem pakar deteksi penyakit malaria. Dan untuk kasusnya kita disedikakan beberapa jenis penyakit malaria kemudian pada masing-masing jenis malaria tersebut terdapat gejalannya. Nah untuk mencari keputusannya akan di hitung dengan menggunakan metode fuzzy mamdani. Dan output yang dihasilkan pada aplikasi ini adalah sebuah keputusan dari diagnosa pasien dan juga perhitungan manualnya.

 

Metode Fuzzy Mamdani Pada Sistem Pakar

Jika berbicara konsep seperti yang sudah kita jelaskan tadi, berikut ini kita gambarkan konsep antara konsep SPK dengan sistem pakar. Kenapa metode ini sedikit terlihat janggal jika di pakai kedalam sistem pakar.

Metode Fuzzy Mamdani Pada Sistem Pakar

Metode Fuzzy Mamdani Pada Sistem Pakar

Kesimpulannya jadi metode ini dapat di gunakan untuk mengembangkan aplikasi sistem pakar. Dengan dasar metode ini juga mampu manganalisis kriteria terhadap alternatif dalam kaitannya kasus ini, kriteria adalah sebagai gejala tentang suatu diagnosa seperti pada sistem pakar umumnya.

Berikut hasil impelemetasi metode Fuzzynya:

Login sistem pakar fuzzy mamdani

Login sistem pakar fuzzy mamdani

menu user sistem pakar fuzzy mamdani

menu user sistem pakar fuzzy mamdani

menu penyakit sistem pakar fuzzy mamdani

menu penyakit sistem pakar fuzzy mamdani

menu gejala sistem pakar fuzzy mamdani

menu gejala sistem pakar fuzzy mamdani

menu konsultasi sistem pakar fuzzy mamdani

menu konsultasi sistem pakar fuzzy mamdani

menu hasil konsultasi atau rekam medis sistem pakar fuzzy mamdani

menu hasil konsultasi atau rekam medis sistem pakar fuzzy mamdani

menu hasil perhitungan sistem pakar fuzzy mamdani

menu hasil perhitungan sistem pakar fuzzy mamdani

Pengertian Metode WP (Weighted Product)

Metode WP merupakan metode dengan kepanjangan Weighted Product. Metode ini sering digunakan untuk membantu dalam menentukan goal atau keputusan. Konsep yang digunakan adalah dengan pembobotan dengan rating suatu variabel penilai.

Seperti yang dijelaskan pada jurnal TEKNOSI, Vol.02,No.03, Desember 2016 Tentang Penerapan Metode Weighted Product Untuk pemilihan Lokasi Lahan Baru Pemakaman Muslim Dengan Visualisasi Google Maps (Heliza Rahamania Hatta1,*, Muhammad Rizaldi2, Dyna Marisa Khairina3 ), Menjelaskan bahwa Metode Weighted product yaitu:

Metode Weighted Product(WP) menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap
atribut harus dipangkatkan dulu dengan bobot atribut yang bersangkutan. Proses tersebut sama halnya dengan
normalisasi.
Metode Weighted Product dapat membantu dalam mengambil keputusan akan tetapi perhitungan dengan
menggunakan metode weighted product ini hanya menghasilkan nilai terbesar yang akan terpilih sebagai alternatif yang
terbaik. Perhitungan akan sesuai dengan metode ini apabila alternatif yang terpilih memenuhi kriteria yang telah
ditentukan.

Kelebihan dan Kekurangan Metode WP (Weighted Product)

Kelebihan

  1. Terdapat variabel Cost dan Benefit, yang berguna untuk menentukan kriteria yang berpengaruh terhadap keputusan
  2. Metode ini lebih simpel di bandingkan dengan metode MCDM lainya
  3. Perhitungannya tidak begitu kompleks
  4. Lebih mudah dipahami

Kekurangan

  1. Metode ini hanya untuk digunakan pada proses nilai yang memiliki nilai rentang
  2. Dibanding dengan metode Pengambil Keputusan lainya, hal belum seakurat dengan metode peambil keputusan dengan ketidak pastian.

Permodelan Metode WP (Weighted Product)

Berdasarkan referensi baik jurnal maupun skripsi yang saya temukan. Permodelan atau alur flowchart dalam sistem mengenai metode WP ini dapat di gambarkan sebagai berikut, Flowchart dibawah ini juga di sertai rumus perhitungan dari metode WP:

Permodelan Metode WP (Weighted Product)

Permodelan Metode WP (Weighted Product)

 

Penerapan atau Langkah-langkah Metode WP (Weighted Product)

Langkah-langkah yang dilakukan dalam menerapkan metode Weighted Product untuk pemilihan alternatif calon
lokasi pemakaman terbaik, yaitu:

  1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan.
  2. Menentukan input awal dan input akhir untuk merubah nama inputan menjadi nilai rating kecocokan dan
    menentukan bobot setiap kriteria.
  3. Mengubah inputan data calon lokasi pemakaman menjadi nilai rating kecocokan.
  4. Melakukan perbaikan bobot dari setiap kriteria dengan cara menjumlahkan bobot setiap kriteria yang dilanjutkan
    dengan setiap bobot awal kriteria dibagi dengan hasil penjumlahan bobot kriteria
  5. Menentukan nilai vektor S alternatif data calon lokasi pemakaman dengan cara mengalikan data nilai rating
    kecocokan yang berpangkat positif dari hasil perbaikan bobot kriteria

Perhitungan Metode WP (Weighted Product)

Dalam implementasinya metode ini dapat juga di hitung secara manual dan juga menggunakan aplikasi. Untuk mempermudah penentuan goal atau keputusan bisa juga menggunakan perhitungan menggunakan microsoft excel.

Selain itu dapat juga kitakembangkan menggunakan program berbasis php dan mysql, seperti yang kami kembangkan.

Contoh kasus Metode WP (Weighted Product)

Pada implementasinya metode ini di gunakan pada aplikasi sistem pendukung keputusan (SPK), untuk studi kasus yang mungkin di kembangkan misalnya:

  1. Pemilihan guru teladan
  2. Penentuan bantuan beasiswa
  3. Penentuan bantuan miskin
  4. Penentuan teknik pemasaran
  5. Menentukan Pembukaan cabang baru

Diatas  adalah sebagian contoh kecil, dalam pengembanganya metode ini dapat di kembangkan juga dengan Web GIS, atau sistem informasi geografis.

Untuk pengembangan aplikasi atau program menggunakan metode WP atau penggabungan dengan metode pengambil keputusan lainya dapat menghubungi kami langsung. Aplikasi yang kami buat berbasis web php menggunakan database mysql.

Untuk pilihan pengembangan dapat menggunakan php Native (php murni), dan juga framework seperti YII, aravel, Codeigniter (CI).

Postingan berikutnya

  1. pengertian metode wp
  2. kelebihan dan kekurangan metode weighted product
  3. sejarah metode wp
  4. penjelasan metode WP
  5. apa itu weighted product
  6. rumus metode weighted product adalah
  7. pengwrtian waiting prodek wp
  8. pengertian weight product
  9. pengertian metode weighted prosuct
  10. PEGERTIAN METODE WP
  11. metode WP
  12. metode weighted product
  13. materi metode wp
  14. kekurangan metode weighted product
  15. WEIGHTED PRODUCT adalah