Anda di halaman 1dari 11

Metode analisis multi atribut dalam aplikasi untuk menilai faktor kombinasi yang optimal dalam satu percobaan

D. Randjelovi, . Dolianin Abstrak - Percobaan yang digunakan oleh para ilmuwan untuk menegaskan hipotesis mereka, eksperimen ini disebut tes dalam penelitian, atau untuk memilih yang terbaik dari yang tersedia kemungkinan, percobaan ini disebut penilaian dalam penelitian di mana kelompok milik juga optimal faktor kombinasi pilihan dalam satu multifaktor dan sering multivariat percobaan. Untuk mengurangi pengaruh selalu ada faktor yang tidak terkendali yaitu eksperimental peneliti kesalahan membuat rencana yang berbeda. Matematis instrumen rencana yang paling efektif untuk percobaan organisasi yang mungkin untuk mencari berdasarkan Total acak distribusi, distribusi blok acak dan beberapa yang diselenggarakan khusus blok distribusi sementara mereka dapat paling efektif mewakili kompleks multifaktor dan percobaan multivarian. Statistik analisis untuk setiap rencana percobaan sangat kompleks dalam cara standar dengan analisis varians dan regresi linier berganda dan terutama dalam kasus pilihan kombinasi optimal faktor. Dari lain samping beberapa kriteria analisis seperti ilmu pengetahuan modern disiplin memungkinkan cara yang lebih mudah untuk membuat analisis hasil satu eksperimen hanya dalam kasus yang optimal faktor kombinasi pilihan satu multifaktor dan multivariat percobaan. Oleh karena itu penulis mengusulkan beberapa kriteria analisis aplikasi dalam analisis percobaan hasil dan dalam hal ini penulis kertas mempertimbangkan penerapan satu subkelompok dari metode ini, sehingga disebut metode atribut keputusan multi, yang milik dan metode ELECTRA. Salah satu contoh

atribut beberapa analisis aplikasi dalam analisis hasil satu eksperimen diberikan dalam bagian akhir kertas. Kata Kunci - multifaktor percobaan, linier berganda regresi, analisis multi atribut I. PENDAHULUAN Mengingat perawatan pengaruh yang berbeda dan mereka kombinasi pada unit eksperimental pemeriksaan adalah tugas dasar dalam satu percobaan. Satu rencana percobaan dalam organisasi memiliki tujuan utama sebagai untuk membuat kesalahan lebih kecil eksperimental selalu hadir karena efek faktor yang tidak terkendali dan dalam hal ini cara memungkinkan untuk membangun perbedaan yang nyata antara perawatan diterapkan (lihat [1], [4] - [6]).

Rencana percobaan telah mengembangkan pertama di bentuk distribusi acak keseluruhan kemudian ingin lebih baik dan lebih tepat distribusi blok acak dan pada akhirnya dalam distribusi blok bentuk khusus (lihat [1] - [6]). Dalam percobaan multifaktor dan multivariat, yang biasanya keberatan mempertimbangkan percobaan yang karena itu mereka memberikan kemungkinan untuk lebih presisi dan juga mempertimbangkan interaksi dan rencana untuk mereka adalah sama seperti untuk satu percobaan faktorial. Untuk semua eksperimen ini sangat rumit untuk membuat biasa seperti analisis varians analisis statistik dan terutama sangat kompleks untuk memecahkan masalah dari faktor pilihan kombinasi optimal (lihat [5] [6] dan

[11] - [12]). Mengingat pilihan kombinasi faktor yang optimal dalam satu multifaktor dan percobaan multivarian terhadap tujuan dari penelitian ini adalah penemuan minimum atau variabel jawaban maksimum tergantung dalam percobaan. Dalam kasus percobaan univariat kami dapat menulis untuk yi variabel dependen yang disebut respon permukaan yi = F (x1i, x2i, x3i, ..., xpi) + ei, dimana i = 1,2, ..., n merupakan pengamatan n dalam multi percobaan faktorial dan xpi merupakan tingkat p-th faktor dalam pengamatan ke-i dan tindakan ei sisa kesalahan eksperimental dari pengamatan ke-i. Ketika bentuk matematis dari fungsi F tidak diketahui, ini fungsi dapat didekati secara memuaskan, untuk misalnya dengan gelar, polinomial berbeda, atas variabel independen xpi. Sejak pemasangan polinomial dapat diperlakukan sebagai kasus regresi linier berganda, kita akan menggunakan perhitungan yang diperlukan agar sesuai dengan linier berganda regresi yi pada k variabel xpi dimana i = 1,2, ..., n dan p = 1,2, ..., k dalam bentuk yi = 0 + 1x1i + + 2x2i 3x3i + ... + kxki + ei. Untuk rencana organisasi percobaan multivarian sangat sulit untuk membuat analisis hasil menggunakan diketahui aparat statistik klasik. Terutama itu adalah

sangat sulit untuk memecahkan masalah faktor yang optimal kombinasi pilihan biasa dipergunakan seperti analisis kanonik dan teori ini tidak tunduk mempertimbangkan dalam makalah ini (Lihat [4] - [6] dan [13] - [16]). Dengan cara lain teori analisis multi kriteria memberikan kemungkinan bahwa kita dapat membuat analisis dalam cara yang lebih mudah percobaan hasil. Kemungkinan ini berikut jika kita menggunakan aparat penelitian operasional dan sudah disajikan umum definisi Perancis hebat matematika Descartes di abad XVII untuk pendekatan Ilmiah dan proses keputusan (lihat Gambar 1). Aplikasi analisis multi kriteria dalam yang optimal faktor kombinasi pilihan atas dasar satu Hasil percobaan ini dimungkinkan karena bahwa dalam percobaan ada: 1. Lebih kriteria - fungsi tujuan untuk keputusan yang didefinisikan dengan jelas didefinisikan atribut 2. Semakin bahwa jumlah terbatas bijaksana alternatif 3. Salah satu solusi yang terbatas Gambar 1. Definisi proses pengambilan II. MATEMATIKA ALAT UNTUK FAKTOR OPTIMAL KOMBINASI PILIHAN Matematika aparatus untuk analisa hasil univariat percobaan terhadap tujuan yang optimal faktor pilihan kombinasi dapat: statistik analisis linier berganda regresi dan metode multi atribut keputusan. Dalam kasus hasil percobaan multivarian analisis terhadap faktor tujuan yang optimal pilihan kombinasi yang kita miliki di dasar

juga dua kemungkinan: analisis statistik (lebih universal analisis korelasi kanonik), tetapi hal ini tidak subyek mempertimbangkan dalam tulisan ini (lihat Kovacic Z. (1994)). Sudah menggambarkan keputusan multi atribut metode. A. Analisis regresi linier berganda Metode untuk menguji dampak lebih berbeda variabel independen (lihat [4] - [6] dan [8] [10]). untuk
contoh x1i, x2i, x3i, ..., xpi pada satu variabel dependen untuk y contoh disebut regresi berganda dan dapat diberikan dalam bentuk y = a + b1x1 + b2x2 + b3x3 + ... + bpxp. mana bi i = 1,2, ..., p adalah koefisien parsial regresi. Dalam hal nilai tetap independen variabel x ketika kita memiliki dan eksperimental kesalahan dalam setiap dari observasi penuh n kita dapat hadir regresi dalam bentuk yi = 0 + 1x1i + + 2x2i 3x3i + ... + kxki + ei. Perhitungan parameter a, b1, b2, b3, ..., bp kita dapat membuat dengan metode persegi empat terkecil dengan meminimalkan ekspresi Praktis algoritma, aljabar untuk memecahkan timbul sistem persamaan jarang digunakan daripada dikenal Gaussian metode perkalian lebih-lebih metode ini sudah digunakan dalam perhitungan untuk regresi penilaian dan karena itu kami menganggap ini metode. Dengan diferensiasi dalam kaitannya pada b2, b1, b3, ..., bp dan dengan pertukaran dalam notasi b0 = a kita memperoleh berikutnya biasa persamaan yang harus dipecahkan untuk

menerima parameter: b0 (00) + b1 (01) + ... + bp (0p) = (0y) b0 (10) + b1 (11) + ... + bp (1P) = (1thn) . . . b0 (p0) + b1 (p1) + ... + bp (pp) = (py) dimana adalah jumlah dari produk ke-j dan k-th variabel XJ dan adalah jumlah dari kuadrat-j kolom xi variabel, adalah jumlah dari produk-j kolom XJ variabel dan dari variabel y. Matriks dari x variabel independen dan vektor y merupakan dasar awal untuk jumlah perhitungan squaresand produk variabel dan dapat diberikan seperti: Dari matriks dan vektor kita membentuk jumlah dari persegi dan produk dari x variabel dan produk dari x dan y yang membentuk sistem persamaan

normal: y Koefisien regresi parsial adalah: yaitu jumlah dari produk k-th CIJ kolom dengan kolom (jy). Ketika variabel bebasnya adalah persamaan normal yang saling ortogonal sangat mudah untuk memecahkan karena itu dalam hal ini semua jumlah dari produk (jk) hilang (j k) dan normal persamaan untuk bi tereduksi menjadi (jj) bj = (jy) Juga dan multiplier pada invers matriks menjadi nilai Cjj / (jj) dan CJK = 0. B. metode multi atribut keputusan Metode multi kriteria keputusan dikelompokkan

dalam dua kelompok dasar: metode multi-sasaran metode multi atribut dan di masing-masing dua kelompok dasar kita memiliki beberapa metode (lihat [2] dan [13] - [16]). Topik yang menarik dalam makalah ini adalah multi-atribut metode. Dalam kelompok ini kita memiliki dua berbeda subkelompok metode dan bahwa: subkelompok tanpa koefisien berat yang merupakan khas adalah data meyampul analisis (DEA) metode dan metode dengan koefisien berat untuk unit dianggap yang terkenal ini mewakili kelompok adalah Penghapusan et kenyataan pilihan menerjemahkan (ELECTRE) metode dan peringkat preferensi organisasi metode untuk evaluasi pengayaan (PROMETHEE) metode dalam subkelompok koefisien berat standar menentukan dan Analisis proses metode (AHP) hirarkis dalam subkelompok untuk koefisien berat Tujuan menentukan. Seperti yang telah kita perhatikan percobaan faktor ganda, yang biasanya obyek yang mempertimbangkan percobaan karena itu mereka memberi kemungkinan bagi lebih presisi dan juga mempertimbangkan interaksi dan di mana hampir setiap perlakuan terdiri dari satu kombinasi nilai-nilai setiap faktor aplikasi metode multi atribut dan yang satu beton dari metode yang disebutkan adalah mungkin sehingga mudah untuk membuat tabel kriteria yang dalam kolom tabel ini dan alternatif yang baris dalam tabel ini dengan nilai-nilai dari

dieksekusi percobaan mengambil nilai-nilai kombinasi faktor. Dengan penerapan metode matematika pemrograman, yang berada di dasar multi metode atribut, hari ini kita juga dapat menghasilkan informasi dukungan dalam bentuk perangkat lunak yang sesuai. Metode multi atribut dapat diberikan dengan berikutnya matematika model: Max {f1 (x), f2 (x), ..., fn (x), n 2} oleh pembatasan xA = [a1, a2, ..., am,], di mana: n-sejumlah kriteria (atribut) j = 1,2, ..., n m-sejumlah alternatif (tindakan) i = 1,2, ..., m fj - kriteria (atribut) j = 1,2, ..., n ai-alternatif (tindakan) i = 1,2, ..., m A - set semua alternatif (tindakan). Juga dikenal fij nilai dari masing-masing dianggap kriteria fj yang diterima dengan masingmasing dari mungkin alternatif ai: fij = fj (ai) (i, j); i = 1,2, ..., m; j = 1,2, ..., n. Biasanya model dari beberapa metode multi kriteria adalah diberikan dengan matriks yang sesuai nilainilai atribut untuk individu alternatif: Kriteria jenis minimisasi dapat diterjemahkan dalam kriteria jenis maksimalisasi misalnya dengan perkalian dari nilai-nilai mereka dengan -1. Sebagai contoh, ELECTRE metode ini didasarkan pada kenyataan: Kapan alternatif b lebih baik maka alternatif untuk mayoritas kriteria dan di samping tidak ada kriteria yang merupakan alternatif yang lebih buruk

yang ketat maka alternatif b kita dapat mengatakan, tanpa RISC, alternatif adalah lebih baik maka b yaitu alternatif b melampaui alternatif. Dasar dari algoritma keputusan untuk ELECTRE metode membentuk dua kondisi: kondisi melalui perjanjian didefinisikan diinginkan tingkat P perjanjian dan indeks riil perjanjian c (a, b) kondisi melalui ketidaksepakatan didefinisikan diinginkan tingkat ketidaksetujuan Q dan indeks riil ketidaksepakatan d (a, b) Indeks kesepakatan dan ketidaksepakatan ekspres kuantitatif indeks perjanjian atau ketidaksetujuan bahwa alternatif yang dapat berkisar sebelum alternatif b dalam arti semua kriteria secara bersamaan. Indeks perjanjian adalah hubungan dari jumlah relatif pentingnya setiap kriteria yang memberikan bahwa alternatif yang lebih baik atau sama sehubungan dengan alternatif b dan jumlah total wj kepentingan relatif kriteria Kj dalam arti yang kita buat rentang (,) 100 (%) dimana J1 adalah himpunan semua melalui kriteria yang
alternatif b lebih baik maka alternatif atau sederajat. Indeks perjanjian (mereka adalah n (n-1)) mengambil nilai dari 0 ke 1 akhirnya kita melihat mereka di matriks perjanjian cnxn. Indeks perselisihan didefinisikan seperti maksimum normalisasi interval yakni perselisihan

hubungan maksimum interval untuk kriteria di mana alternatif yang lebih buruk maka b dan maksimum interval penilaian untuk setiap kriteria , Di mana adalah: r (| a, b)-perbedaan nilai-nilai kriteria untuk penilaian alternatif dan alternatif b untuk kriteria individu, Rj - rentang maksimum penilaian untuk setiap kriteria (Max-min aj aj) I2 - set setiap kriteria yang merupakan sebuah alternatif lebih buruk b maka alternatif. Dengan pilihan kisaran terbesar dari perjanjian (p = 1) dan kisaran paling sedikit ketidaksepakatan (q = 0) kita memisahkan hanya alternatif yang lebih baik untuk setiap kriteria secara bersamaan. Rentang ini ditentukan berdasarkan indeks hubungan kesepakatan dan ketidaksepakatan bahkan untuk yaitu perbandingan adalah lebih baik maka b alternatif jika c (a, b) p dan d (a, b) q b adalah lebih baik maka alternatif jika c (b, a) p dan d (b, a) q dalam alternatif kasus lain a dan b adalah tertandingi III. HASIL EKSPERIMEN Para penulis makalah ini mengusulkan suatu aplikasi multi-atribut metode dan beton yang ELECTRA (pada setiap tingkat dan PROMETHEY dan AHP dapat digunakan) metode dengan cara yang hadir di beberapa baris berikutnya dan juga dalam dua contoh di bagian ini karena itu pemecahan masalah konfigurasi yang optimal faktor pilihan dengan alat analisis regresi berganda sangat kompleks. Contoh diterapkan dalam multifactor

eksperimen dalam contoh 1 dan percobaan multivarian dalam contoh 2 dan keduanya multifaktor dan multivariat percobaan adalah dengan pengulangan. Sebagai hasil dari satu aplikasi dari satu multifaktor bereksperimen dengan pengulangan kita mendapatkan hasil yang diselenggarakan dalam satu tabel dengan baris yang kombinasi faktor dan kolom yang berulang hasil dari kombinasi faktor. Dalam metode ELECTRA kita membuat mulai matriks yang diberikan sebagai meja kriteria yang berada dalam kolom tabel ini dan alternatif yang baris dalam tabel ini dengan nilai dari hasil percobaan dijalankan dan ini nilai mengambil nilai tengah nilai-nilai dari satu faktor kombinasi. Di baris terakhir kita memiliki nilainilai berat koefisien kriteria ini. Jumlah nilai dari berat ini koefisien dinormalkan pada nilai 1. Telah diketahui bahwa terdapat metode untuk tepat menentukan koefisien berat dari terapan kriteria, yang sayangnya kompleks. Oleh karena itu, tanpa generalisasi, kita memahami bahwa koefisien berat untuk kriteria yang digunakan adalah sama untuk sekelompok output dan sekelompok masukan kriteria dan antara mereka dalam setiap kelompok. Dengan cara ini dengan aplikasi multi atribut metode keputusan kita memperoleh prosedur baru yang jelas memungkinkan cara yang lebih mudah dan berkhasiat untuk mempertimbangkan hasil satu percobaan. Contoh 1. Bandingkan pengaruh tiga faktor percobaan untuk makanan sapi diselenggarakan dalam empat kelompok masing-masing dengan lima ekor sapi. Faktor

pertama dikelompokkan dalam dua jenis pakan ternak - mie dari gula bit dan batang jagung yang diukur dengan nilai masing-masing 1 dan 0,5, faktor kedua dikelompokkan dalam dua balapan sapi Frisian dan domestik beraneka ragam yang diukur dengan nilai masing-masing 1 dan 0,5 dan faktor ketiga adalah periode waktu - seperti 28 hari pertama dan kedua berikutnya 28 hari yang dihitung dengan nilainilai masing-masing 1 dan 0,5. Keuntungan dari kuantitas susu untuk 28 hari diberikan dalam liter. Hasil yang diberikan dalam tabel 1. Dengan analisis statistik linier berganda regresi, menggunakan Excel pilihan analisis data, kami Tabel 2. Hasil regresi linier berganda aplikasi, menggunakan Excel analisis data, misalnya 1.

1.Keluaran regresi linier berganda

memberikan kita hubungan antara parameter output dan faktor dalam contoh 1 G = 160,49 + 90,33 S + D + 119,75 147,03 P dan kita dapat menghitung kombinasi faktor yang optimal seperti pertama kombinasi dan bahwa faktor pertama seperti mie dari gula bit, faktor kedua seperti ras Frisian dan ketiga Faktor pertama jangka waktu 28 hari.
Mari kita memecahkan contoh 1 dengan prosedur yang diusulkan dalam ini kertas dengan metode ELECTRE dari multi atribut keputusan dan dengan koefisien berat untuk

kriteria yaitu faktor-faktor yang sama antara masingmasing faktor dalam kelompok dan antara kelompok input dan output faktor. Tabel 4. Hasil metode ELECTRA aplikasi misalnya 1.

a1 dominan atas: a2 a3 a4 a5 a6 a7 a8 dominan a2 atas: a4 a6 a8 a3 dominan atas: a4 a7 a8 a4 dominan atas: a8 a5 lebih dominan: a6 a7 a8 a6 dominan atas: a8 A7 dominan atas: a8 a8 non dominan Memperoleh hasil untuk data pada Tabel 3. menunjukkan di Tabel 4. menunjukkan bahwa a1 yakni sama alternatif seperti dengan menggunakan linier berganda metode regresi adalah dominan. Hal ini diperlukan untuk melihat bahwa penerapan diusulkan prosedur dalam kasus multivariat percobaan masih berkhasiat. Dari alasan ini, untuk praktis menunjukkan fakta ini, kita tambahkan dalam percobaan diberikan dalam contoh 1 variabel dependen kedua (faktor, keluaran kriteria) dan bahwa kualitas susu yang dapat memiliki empat nilai yang berbeda - 1,5 untuk kualitas ekstra, 1 untuk yang terbaik kualitas, o.5 untuk kualitas menengah, 0 untuk kualitas buruk dan sebagainya kita mendapatkan contoh 2 yang tanggal diberikan dalam Tabel 5. di contoh 2 kita memiliki satu percobaan multivarian pada yang juga kita menerapkan prosedur diusulkan dari penulis dalam makalah ini dan hasilnya diberikan dalam Tabel 6 dan 7

Mari kita memecahkan contoh 2 dengan prosedur diusulkan dalam makalah ini dengan metode ELECTRE multi atribut keputusan dan dengan berat koefisien untuk kriteria yakni faktor yang jumlah l adalah sama untuk semua masukan dan keluaran kriteria yakni faktor dan juga dengan berat koefisien sama antara masing-masing faktor dalamkelompok input output yakni dan antara kelompok input dan faktor output. . Tabel 6.Beginning matriks untuk metode ELECTRA misalnya 2. Tabel 7. Hasil metode ELECTRA aplikasi misalnya a1 dominan atas: a2 a3 a4 a5 a6 a7 a8 dominan a2 atas: a4 a6 a8 a3 dominan atas: a4 a7 a8 a4 dominan atas: a8 a5 lebih dominan: a6 a7 a8 a6 dominan atas: a8 A7 dominan atas: a8 a8 non dominan
Hasil yang diperoleh yang diberikan dalam Tabel 7. 6. menunjukkan bahwa alternatif yakni a1 sama seperti di contoh 1 adalah dominan. Contoh 2. Bandingkan efek dalam tiga percobaan faktor untuk jagung. Faktor pertama adalah jumlah tanaman dalam hektar dan 70000, 105800 dan 128600, faktor kedua adalah kepadatan pupuk nitrogen dalam kg / ha dan 50.100 dan 150 dan faktor ketiga adalah saat panen dan bahwa dalam dua kematangan susu dan lilin yang diukur dengan masing-masing dengan nilai 0,75 dan 1.

Ini percobaan faktorial 3x3 dilakukan sehingga faktor yang diterapkan dalam pesawat total distribusi acak dari percobaan pesawat dengan 4 ulangan. Keuntungan dari kering materi diberikan dalam kg/7m2. Hasil yang diberikan dalam tabel 8. Tabel 8. Hasil penelitian memberi pada contoh 2 Tabel 9. Analisis varian dari hasil percobaan diberikan pada contoh 2. regresi Statistik Beberapa R 0.973683 R Square 0.948059 adjusted R persegi

Tabel 10. Awal matriks untuk metode ELECTRA misalnya 2. dan untuk koefisien berat diberikan dalam 1) dari hubungan nilai untuk distribusi F kita melihat bahwa hanya varians dari kepadatan pupuk dan panen adalah signifikan. Statistik analisis regresi linier berganda, dengan menggunakan Excel pilihan analisis data, kita memperoleh hasil yang juga diberikan dalam Tabel 9. Keluaran regresi linier berganda memberikan kita hubungan antara parameter output dan faktor eksperimen dalam contoh 2 dalam bentuk G = 0,023922 +0,015558 N +0,310542 D 0639 H dari mana kita dapat menghitung faktor yang optimal kombinasi seperti kombinasi keenam N = 105800, D = 150 dan H = kematangan lilin dalam untuk contoh a6 notasi .. Mari kita untuk memecahkan contoh 2

dengan prosedur yang diusulkan dalam ini kertas dengan metode ELECTRE dari multi atribut keputusan dan: 1.) Dengan koefisien berat untuk faktor kriteria yaitu diberikan dalam Tabel 10. yang sama antara input faktor yakni dengan nilai untuk jumlah tanaman N, kepadatan pupuk D dan H panen sama 0,1666 atau sama 0,5 untuk jumlah ketiga masukan kriteria yaitu faktor dan penulis seperti misalkan nilai 0,5 untuk mendapatkan materi kering seperti hanya satu kriteria output yakni faktor. Tabel 10. Awal matriks untuk metode ELECTRA untuk contoh 2. untuk koefisien berat diberikan dalam 1) Diperoleh hasil dengan metode ELECTRE dan semacamnya nilai untuk kriteria yang diberikan dalam Tabel 11.
Tabel 11. Aplikasi metode ELECTRA untuk contoh 2. a1 non dominan a2 dominan atas: a1 A7 A13 A14 a15 a3 dominan atas: a1 A7 a9 A13 a15 a4 dominan atas: a1 A7 A13 A14 a15 a5 dominan atas: a11 a6 dominan atas: a1 a3 a4 a5 A7 a9 a11 a12 A13 A14 A17 a15 A7 dominan atas: A13 a8 dominan atas: a1 a3 A7 a9 A13 A14 a15 a9 dominan atas: a1 a15 A10 dominan atas: a2 a3 a5 A7 a9 a11 a15 A13 A14 A16 A17 a11 non dominan a12 dominan atas: a4 a5 A7 a9 a11 a15 A13 A14 A17 A13 non dominan

A14 non dominan a15 non dominan A16 dominan atas: a9 a11 a15 A13 A14 A17 dominan atas: a1 a15 lebih dominan A18: A13 A14 a11 a15 A17 Hasil yang diperoleh menunjukkan bahwa alternatif yang sama dinotasikan dengan a6 dominan. 2.) Dengan koefisien berat untuk faktor kriteria yaitu diberikan dalam Tabel 12 yang untuk input faktor yaitu kriteria dengan nilai untuk jumlah tanaman N, kepadatan pupuk D dan panen H sebanding dengan nilai F yang sesuai parameter masing-masing 0,00274, 0,27737 dan 0,21989 dan 0,5 yang sama untuk jumlah semua input tiga kriteria yakni faktor dan penulis seperti misalkan nilai 0,5 untuk keuntungan materi kering seperti hanya satu kriteria output yakni faktor. Tabel 12. Awal matriks untuk metode ELECTRA untuk contoh 2. untuk koefisien berat diberikan dalam 2) x1 (N) x2 (D) x3 (H) y (G) a1 0,7 0,5 0,75 0,6375 a2 0,7 0,5 1 0,8365 a3 0,7 1 0,75 0,865 a4 0,7 1 1 0,94925 a5 0,7 1,5 0,75 0,9525 a6 0,7 1,5 1 1,14675 A7 1,058 0,5 0,75 0,68825 a8 1,058 0,5 1 0,90675 a9 1,058 1 0,75 0,8455 A10 1,058 1 1 1,0285 a11 1,058 1,5 0,75 0,9505 a12 1,058 1,5 1 1,142 A13 1,286 0,5 0,75 0,686 A14 1.286 0,5 1 0,749 a15 1,286 1 0,75 0,8225 A16 1.286 1 1 0,98675 A17 1,286 1,5 0,75 1,01775 A18 1,286 1,5 1 1,15775 0,00274 0,27737 0,21989 0,5

Diperoleh hasil dengan metode ELECTRE untuk seperti nilai untuk kriteria yang diberikan dalam Tabel 13 Tabel 13. Diperoleh hasil dengan metode ELECTRE untuk nilai untuk kriteria yang diberikan dalam Tabel 12. a1 non dominan a2 dominan atas: a1 A7 A13 A14 a15 a3 dominan atas: a9 a15 a4 non dominan a5 dominan atas: a11 a6 dominan atas: a5 a11 a12 A7 lebih dominan: a1 A13 a8 dominan atas: a1 a2 a3 A7 a9 A13 A14 a15 a9 dominan atas: a15 A10 dominan atas: a3 a4 a5 a9 a11 a15 A16 A17 a11 non dominan a12 dominan atas: a5 a11 A13 dominan atas: a1 A14 non dominan a15 non dominan A16 dominan atas: a4 a5 a11 a15 A17 dominan atas: a5 a11 A18 dominan atas: a5 a6 a11 a12 Hasil yang diperoleh menunjukkan bahwa alternatif yang dinotasikan dengan a8 dan a10are dominan. Pada akhir bagian utama dari makalah ini diberikan analisis varians misalnya dipertimbangkan.

Dari hubungan nilai untuk distribusi F dalam tabel 14. kita melihat bahwa hanya varians dari kepadatan pupuk dan panen adalah signifikan. IV KESIMPULAN Penerapan statistik klasik matematika aparatus untuk analisa hasil multifaktor yang berbeda organisasi bagaimanapun percobaan multivarian adalah sulit dan terutama dalam memecahkan masalah dari faktor yang optimal konfigurasi pilihan. Oleh karena itu penulis telah diusulkan dalam makalah ini satu

aplikasi alat matematika yang disebut multi atribut analisis untuk analisis hasil percobaan. Ternyata proses prosedur hasil satu multifaktor, pada setiap tingkat dan percobaan multivarian dalam satu lebih mudah, cara ampuh dan universal. Pengakuan Penulis berkat rekan dari proyek KM144041 dari Departemen Ilmu dan Teknologi Pembangunan Republik Serbia dari Universitas Pristina dan State University Novi Pazar, baik dalam Serbia dan dari Akademi Criminalistic dan Polisi Studi di Belgrade, yang telah membantu bahwa pekerjaan ini dapat diselesaikan. Referensi [1] Beth T. et. al, Desain Teori di Cambridge. University Press, 1993. *2+ I. Nikolic, Borovid S., Viekriterijumska optimizacija, Centar vojnih Skola VJ, 1996. *3+ Randjelovid D. et. al, Multi kriteria analisis. aplikasi dalam analisis hasil eksperimen, Jurnal WSEAS transaksi pada matematika, Issue 7, Volume 6, 2007. *4+ Hadzivukovid S., Statistiki Metodi, Univerzitet u Novom Sadu, 1991 [5] Kempthorne O, Desain dan Analisis Percobaan, John Wiley & anak Inc, New York 1952. [6] Cohran W. Cox dan G., Desain Eksperimental, John Wiley & anak Inc, New York 1957. [7] Z. Kovacic, Multivarijaciona analiza, Univerzitet Beograd, 1994. *8+ D.M. Randjelovid, fungsi Tujuan untuk sistolik array, WSEAS transaksi pada komputer, Volume 2, 2003, hal 1015-1020..

*9+ D.M. Randjelovid, fungsi tujuan Ruang untuk sistolik array, WSEAS transaksi pada matematika, Volume 3, 2004, hal 7-13.. *10+ D. Randjelovid, fungsi Tujuan untuk mengalir sistolik array, WSEAS transaksi pada komputer, Edisi 7, Volume 6, 2007, hlm 973-978.. *11+ Randjelovid D. et. al, Keberadaan satu kelas Steiner. blok - skema dan penerapannya dalam pertanian percobaan organisasi, Prosiding MASSEE2003, Borovets, Bulgaria, 2003.. *12+ Randjelovid D. et. al., Kelas desain blok dan mereka aplikasi dalam analisis pertanian percobaan organisasi, Prosiding WSEAS VI Konferensi Internasional di komputer Terapan ilmu (ACOS'07), Hagzhou, Cina, 2007, pp 596601. [13] M. Aigner, Kombinatorial Teori, Springer, Berlin, 1997. [14] Beth T. et. al, Teori Desain., University Press Cambridge, 1993. *15+ Milovanovid saya, et. al, Diskretna. Matematika, Univerzitet Ni, Ni, 2000. [16] Charnes A. dkk, Data dihabisi. analisis: Teori, Metodologi dan Aplikasi, Kluwer Academic Publisher, Boston, 1993. Dragan Randjelovic adalah rofessor asisten di Akademi penelitian criminalistic dan polisi di Belgrade Serbia. Ia lahir pada tanggal 19 Agustus 1953 di kota Nis, Serbia dan sekarang adalah Warga Negara di kota ini. Menikah, dua anak E-mail: dragan.randjelovic @ kpa.edu.rs Dia selesai bagian selanjutnya dari pendidikan: M.Sc. Elektronika - Informatika dan otomatis, Universitas Nis, Serbia, 1977.

M.Sc. Matematika terapan, Universitas Nis, Serbia, 1984 Ph D. Matematika, Universitas Pristina, Serbia, 1999 Dia berbicara Serbia, Inggris dan Bahasa Deutch. Proyek saat ini adalah 1. Anggota tim peneliti proyek "Penerapan metode matematika dan informatika dalam organisasi eksperimen ", (Departemen ilmu Republik Serbia, 2006/2010) 2. Kepala tim peneliti Kepolisian "proyek, keselamatan dan hightechnologies kejahatan ", Akademi criminalistic dan polisi studi di Belgrade Serbia Dia memiliki buku penting berikutnya: 1 `. S.Nikolic, B.Dimitrijevic, D.Randjelovic, S.Ilic, "Pabrik program EI Nis", EI Nis, Sirius Nis 1994. 2. D. Randjelovid, "Informatika dan komputer", Pertanian fakultas, Universitas Pristina, Sven Nis 2000. 3. D. Randjelovid, "Matematika", Pertanian fakultas, Universitas Pristina, Sven Nis 2000. 4. D. Randjelovid, "Informatika", Teknis fakultas, Universitas Belgrade di Bor, Sven Ni 2005. Expperience Karyanya adalah: 1977-1980. profesor di Midle scool di Nis dan Majdanpek, Serbia 1980. -1991. penelitian insinyur Researchdevelopment Institut EI Nis, Serbia 1991. -1997. direktur di EI Nis pabrik EI Komerc, EI Komputer dan EI Expokom, 1997. -1999. asisten bidang Informatika dan Matematika di fakultas Pertanian Universitas Pristina, Serbia 2000. -2004. asisten profesor bidang Informatika dan Matematika di fakultas Pertanian Universitas Pristina

2004.-2005. asisten profesor bidang Informatika dan kepala departemen Informatika pada Teknis fakultas, Universitas Belgrade di Bor, Serbia 2005. -2008. asociate profesor di Informatika di Fakultas Pertanian, Universitas Pristina, 2008 - asisten profesor di Informatika. Akademi Studi Criminalistic dan polisi, Beograd. Serbia