BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari"

Transkripsi

1 BAB II TINJAUAN PUSTAKA. Pendahuluan Control chart pertama al denalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratores Amera Serat pada tahun 94. Control chart adalah sebuah gra yang member gambaran tentang perlau sebuah proses. Control chart n dgunaan untu memantau dan memersa proses produs. Sebuah proses yang cuup stabl, tap berjalan d luar batas yang dharapan, harus dperba untu menemuan aar penyebabnya guna mendapatan hasl perbaan yang undamental. Control chart dbag edalam dua elompo sesua dengan araterst data yang dobservas, yatu control chart untu data varabel dan control chart untu data atrbut. Pada peneltan n ous pada dagram ontrol atrbut. Dagram ontrol atrbut n mensyaratan asums normal asmtot, oleh arena tu pada bab n aan dbahas dall lmt pusat, dsampng teor-teor dagram ontrol secara umum. Pada bab n juga aan dbahas hal-hal yang berhubungan dengan dagram ontrol uzzy multnomal yang melput teor-teor mengena dstrbus bnomal dan multnomal, hmpunan uzzy, dagram ontrol atrbut dan dagram uzzy multnomal.. Varabel Aca Dsrt Varbel aca dsrt adalah varabel aca yang tda mengambl seluruh nla yang ada dalam sebuah nterval atau varabel hanya meml nla tertentu.varabel aca dsrt merupaan varabel aca yang nlanya merupaan hasl perhtungan (pencacahan). Nlanya merupaan blangan bulat dan asl, tda berbentu pecahan. 5

2 6 Varabel aca dsrt ja dgambaran pada sebuah gars nterval, aan berupa sederetan tt-tt yang terpsah. Contohnya yatu sebaga berut: a. Banyaya pemunculan ss mua atau anga dalam pelemparan sebuah on (uang logam). b. Jumlah ana dalam sebuah eluarga. Dstrbus Bnomal dan dstrbus Multnomal termasu edalam dstrbus peluang dsrt... Dstrbus Bnomal Dstrbus Bnomal adalah dstrbus probabltas dar banyanya outcome/ejadan suses pada n percobaan Bernoull. Msalnya ta melauan suatu espermen yang hanya menghaslan dua perstwa, sepert perstwa suses (S) dan perstwa gagal (G). Peluang terjadnya perstwa S, P(S), sebesar p dan peluang terjadnya G, P(G), sebesar - p. Kemudan espermen tu dulang sampa n al secara bebas. Dar n al pengulangan tu, perstwa S terjad sebanya x al dan (n - x) al terjad perstwa G. Fungs peluang dar dstrbus bnomal adalah: ( ) ( ) ( ) (.) Dmana, p = peluang cacat dalam setap ategor n = uuran sampel x = banyanya cacat atau ategor yang dperhatan Peubah aca X yang berdstrbus bnomal dataan juga peubah aca bnomal. Penulsan notas dar peubah aca X berdstrbus bnomal adalah B(x; n, p), artnya peubah aca X berdstrbus bnomal dengan banya pengulangan espermen

3 7 sampa n al, peluang terjad perstwa suses sebesar p, dan banya perstwa suses terjad ada x. Menurut Herryanto dan Gantn (009), sebuah espermen dataan mengut dstrbus bnomal, ja espermen tu memenuh sat-sat sebaga berut. a. Espermennya terdr atas dua perstwa, sepert suses dan gagal. b. Espermennya dulang beberapa al dan dtentuan banya pengulangannya. c. Peluang terjadnya perstwa suses dan gagal pada setap pengulangan espermen bersat tetap. d. Setap pengulangan espermen bersat bebas. Rata-rata, varans, dan ungs pembangt momen dar dstrbus bnomal adalah sebaga berut.. ( ). ( ) ( ) 3. ( ) [( ) ].. Dstrbus Multnomal Dstrbus multnomal merupaan perluasan dar dstrbus bnomal. Apabla n percoban berulang dapat menghaslan lebh dar ejadan yang mungn msal x, x...x dengan probabltas masng-masng onstan pada setap percobaan p p... p, maa aan dhaslan dstrbus multnomal. Fungs probabltas varabel aca yang berdstrbus multnomal dengan parameter n dan p p... p,: n! (.) x x x x p( X x, x,..., x ; p, p,..., p ; n) p p p p... x! x... x!

4 8 dmana, x p ( x n ( x ( p x x p... x... x... p ) n ); ),,3,..., Rata-rata, varans, dan ungs pembangt momen dar dstrbus multnomal adalah:. E( X ) np,. V X ) np ( p ) ( 3. t t t n M ( t, t,..., t ) ( pe pe..., p e p ).3 Teorema Lmt Pusat Teorema lmt pusat (TLP) merupaan salah satu teorema palng pentng dalam matemata statsta dan probabltas. Teor n dgunaan hampr d semua tempat dmana statst matemata dterapan. Kegunaan teorema n terleta pada esederhanaan densnya. Teorema lmt pusat menyataan bahwa ja beberapa onds tertentu terpenuh, maa dstrbus rata-rata dar sejumlah varabel aca yang ndependen mendeat dstrbus normal dengan uuran sampel mendeat ta terhngga. Teorema lmt pusat (TLP) adalah sebuah teorema yang menyataan bahwa urva dstrbus samplng aan berpusat pada nla parameter populas dan aan meml semua sat-sat dstrbus normal. Msalan X,, X n sampel aca beruuran n dar populas dengan rata-rata μ dan varans σ. Dstrbus dar onvergen e N(0,) untu n. Hal pentng dar teorema lmt pusat adalah eonvergenan dar Z n e dstrbus normal aan terjad apapun bentu dstrbus dar X. Tetap ja dstrbus dar mana sampel aca tersebut dambl buan berdstrbus normal, Dall Lmt Pusat menyataan bahwa, ja X merupaan rata-rata sampel aca beruuran n dar suatu populas

5 9 yang mempunya rata-rata dan varans masng-masng dan, maa Z n X x x mempunya lmt dstrbus (0, ) N..4 Dagram Kontrol Dagram Kontrol pertama al dperenalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratore Amera Serat pada tahun 94. Dagram Kontrol adalah sebuah gra yang member gambaran tentang perlau sebuah proses. Dagram Kontrol dgunaan untu memaham apaan sebuah proses manuaturng atau proses bsns berjalan dalam onds yang terontrol atau tda. Dagram ontrol Shewhart sebenarnya tda mengendalan apa-apa, tetap pada dasarnya hanya member normas atau petunju-petunju dasar untu mengambl tndaan-tndaan yang dperluan, msalnya untu membawa proses e dalam eadaan terendal. Sebuah proses yang cuup stabl, tap berjalan d luar batas yang dharapan, harus dperba untu menemuan aar penyebabnya guna mendapatan hasl perbaan yang undamental. Dagram Kontrol terdr dar: Tt-tt yang mewal sebuah nla statst (rata-rata, range, propors) dar sebuah araterst sampel yang dambl dar sebuah proses pada watu yang berbeda (data). Rata-rata dar nla statst d atas yang dhtung dar eseluruhan sampel. Gars tengah yang dgambar tepat d anga rata-rata nla statst tersebut. Standar eror dar nla statst yang juga dhtung dar eseluruhan sampel. Batas ontrol atas dan bawah, yang mengndasan batas d mana secara statst sebuah proses bsa dataan menympang, yang secara umum besarnya 3 al standar eror dar gars tengah.

6 0 Gambar. Dagram Kontrol Shewhart Menurut Muchls (00), penggunaan dagram ontrol Shewhart meml beberapa euntungan, dantaranya:. Untu menelt melalu dagram ontrol Shewhart, uuran sampel yang dambl dalam setap pengamatan tda perlu terlalu banya.. Dapat mengetahu varas yang bersat aca, eadaan n dlhat ja pencaran tt bersat aca (tda memperlhatan pola tertentu). 3. Dapat menunjuan varas yang dsebaban oleh erusaan alat-alat yang menyebaban adanya pengaruh onds yang lebh buru. Penyebabpenyabab n basanya dapat detahu dan pada proses selanjutnya dapat dores dengan jalan memperba mesn atau mengubah materal. Karaterst mutu yang damat dgambaran sebaga tt-tt pada dagram endal Shewhart, dmana dar pencaran tt yang dgambaran dapat dlhat apaah proses produs beroperas sebagamana mestnya atau tda. Sehngga dar pencaran tt nlah dapat detahu bahwa proses produs beroperas sebagamana mestnya apabla pencaran tt yang dgambaran terleta dalam batas-batas endal atau batas-batas spesas dan berpencar secara aca. Oleh arena tu ja ada satu tt atau lebh jatuh d luar batas-batas endal dapat dsmpulan bahwa proses tda terendal. Proses dataan tda normal bla ada data (tt) eluar dar batas lmt

7 ontrol. Walaupun semua data mash berada d dalam batas lmt ontrol, tetap ja susunan data tersebut membentu pola-pola tertentu, hal n juga dapat danggap sebaga etdanormalan proses. Bentu-bentu pola tertentu (gejala tda aca) yang dmasud adalah runs, trend, perod, dan huggng dar gars ontrol. Dagram ontrol dbag edalam dua elompo sesua dengan araterst data yang dobservas, yatu: a. Dagram ontrol untu data varabel Pengendalan ualtas secara varabel dapat dtempuh apabla dcatat mengena araterst ualtas hasl penguuran. Oleh arena tu pengendalan dengan cara n, hanya dapat dgunaan untu mengendalan satu jens araterst ualtas. Bla jens uuran ualtas yang ada atau yang aan dumpulan bersat varabel artnya ualtas produ dapat dnyataan dalam satuan uuran tertentu sepert panjang, berat, volume dll yang bsa dnyataan dalam cm, g, lter dll. Ten-ten Pengendalan ualtas statsta yang termasu dalam ategor data varabel adalah dagram ontrol varabel yang terdr antara lan: dagram ontrol dan R dan dagram ontrol dan S. Dagram ontrol rata-rata memvsualsasan lutuas rata-rata emudan aan menunjuan bagamana penympangan rata-rata sampel dar rataratanya. Penympangan n aan memberan gambaran bagamana onsstens proses. Seman deat rata-rata sampel e nla rata-ratanya maa proses cenderung stabl, sebalnya maa proses cenderung tda stabl. Rentang merupaan uuran penympangan yang palng sederhana, menguur beda nla terendah dan tertngg. Dagram ontrol rentang dgunaan untu member gambaran mengena varabltas proses. Dagram ontrol lannya

8 yang basa dgunaan untu memberan gambaran varabltas proses yatu dagram ontrol smpangan bau. Dalam pratenya untu mengamat proses produs, penggunaan dagram ontrol selalu berpasangan, dagram ontrol rata-rata dengan dagram ontrol rentang atau dagram ontrol rata-rata dengan dagram ontrol smpangan bau. b. Dagram ontrol untu data atrbut Indes Kapabltas Proses dapat dterapan pada araterst data observas yang bersat atrbut sebaga uuran ualtas. Masud dar araterst data bersat atrbut adalah data yang bersat dsrt. Basanya uuran ualtas yang dnyataan dalam bentu dsrt adalah uuran ualtas yang tda dapat dnyataan dalam bentu satuan uuran tertentu. Data atrbut bersat dsrt (dscrete dstrbuton). Data n umumnya duur dengan cara dhtung menggunaan datar pencacahan atau tally untu eperluan pencatatan dan analss, sebaga contoh: jumlah cacat dalam satu batch produ, jens elamn (la-la/perempuan), jens warna cat (merah, gold, slver, htam), dan lan-lan. Ten-ten Pengendalan ualtas statsta untu ategor data atrbut dbedaan menjad dua tpe, yatu Yes/No atau Ya/Tda, dan terhtung. Tpe data Ya/Tda atau Yes/No hanya membedaan antara cacat atau tda cacat. Ten Pengendalan ualtas statsta yang termasu dalam elompo n adalah: p chart (sampel onstan dan sampel varabel) dan np chart. Data terhtung bla data yang dobeservas lebh rumt atau dehenda analss yang lebh mendalam, maa p chart dan np chart urang memada. Oleh arena tu dgunaan: c chart dan u chart.

9 3 Karena yang dgunaan dalam maalah n adalah dagram ontrol untu data atrbut husus propors maa yang aan dbahas lebh lanjut hanya dagram ontrol propors saja..5 Dagram Kontrol Propors (p) Dagram ontrol propors (p) adalah jens dagram ontrol yang dgunaan d duna ndustr atau bsns untu memontor propors dar etdasesuaan dalam sebuah sampel, dmana propors etdasesuaan dtentuan sebaga raso unt yang meml etdasesuaan dbandngan dengan jumlah sampel. Dagram ontrol p hanya mengaomodr nspes dengan dua eputusan, "OK / Gagal", "Bagus / Jele". Propors atau ras yang tda sesua (cacat) dalam suatu populas ddensan sebaga raso jumlah unt tda sesua dalam populas dengan jumlah eseluruhan unt dalam populas yang dnotasan dengan p. Unt yang dategoran tda sesua mungn saja meml satu atau lebh araterst mutu yang dpersa secara bersamaan. Ja palng tda salah satu cr tda memenuh standar, tem tersebut dlasasan sebaga tda sesua atau cacat. Dasar untu menggunaan dagram ontrol p adalah, bahwa data berasal dar dstrbus bnomal (Montgomery, 005), dengan asums bahwa: Probabltas etdasesuaan p untu setap unt adalah sama. Tap-tap unt tda meml etergantungan dengan unt sebelum dan sesudahnya. Setap unt d nspes dengan cara yang sama. Batas-batas ontrol dagram ontrol p adalah sebaga berut:

10 4 BKA p 3 Pusat p p( p) n (.3) BKB p 3 p( p) n Dmana adalah estmas rata-rata propors dhtung dengan rumus. Ja nla batas ontrol bawah lebh ecl atau sama denga nol maa batas ontrol bawah danggap nol..6 Dens Fuzzy.6. Hmpunan Fuzzy Pada hmpunan tegas (crsp), nla eanggotaan suatu tem x dalam suatu hmpunan A, yang serng dtuls dengan μ A [x], meml emungnan, yatu: Satu (), yang berart bahwa suatu tem menjad anggota dalam suatu hmpunan, atau Nol (0), yang berart bahwa suatu tem tda menjad anggota dalam suatu hmpunan. Kalau pada hmpunan crsp, nla eanggotaan hanya ada emungnan, yatu 0 atau, pada hmpunan uzzy nla eanggotaannya terleta pada rentang 0 sampa. Apabla x meml nla eanggotaan uzzy μ A [x]=0 berart x tda menjad anggota hmpunan A, deman pula apabla x meml nla eanggotaan uzzy μ A [x]= berart x menjad anggota penuh pada hmpunan A. Teradang emrpan antara eanggotaan uzzy dengan probabltas menmbulann erancuan. Keduanya meml nla pada nterval [0,], namun nterpretas nlanya sangat berbeda antara edua asus tersebut. Keanggotaan uzzy memberan suatu uuran terhadap pendapat atau eputusan, sedangan probabltas mengndas propors

11 5 terhadap eserngan suatu hasl bernla benar dalam janga panjang. Hmpunan uzzy meml atrbut, yatu: a. Lngust, yatu penamaan suatu grup yang mewal suatu eadaan atau onds tertentu dengan menggunaan bahasa alam, sepert : muda, parobaya, tua. b. Numers, yatu suatu nla (anga) yang menunjuan uuran dar suatu varabel sepert : 40,5,50, dan sebaganya. Ada beberapa hal yang perlu detahu dalam memaham sstem uzzy, yatu: a. Varabel uzzy Varabel uzzy merupaan varabel yang henda dbahas dalam suatu sstem uzzy. Contoh : umur, temperatur, permntaan, dsb. b. Hmpunan uzzy Hmpunan uzzy merupaan suatu grup yang mewal suatu onds atau eadaan tertentu dalam suatu varabel uzzy. Contoh : varabel temperatur terbag menjad 5 hmpunan uzzy, yatu : dngn, seju, normal, hangat, dan panas. (Gambar.) Gambar. Hmpunan Fuzzy pada Varabel Temperatur.

12 6 c. Semesta pembcaraan Semesta pembcaraan adalah eseluruhan nla yang dperbolehan untu doperasan dalam suatu varabel uzzy. Semesta pembcaraan merupaan hmpunan blangan real yang senantasa na (bertambah) secara monoton dar r e anan. Nla semesta pembcaraan dapat berupa blangan post maupun negat. Ada alanya nla semesta pembcaraan n tda dbatas batas atasnya. Contoh : Semesta pembcaraan untu varabel umur : [0 + ) Semesta pembcaraan untu varabel temperature; [0 40] d. Doman Doman hmpunan uzzy adalah eseluruhan nla yang djnan dalam semesta pembcaraan dan boleh doperasan dalam suatu hmpunan uzzy. Sepert halnya semesta pembcaraan, doman merupaan hmpunan blangan real yang senantasa na (bertambah) secara monoton dar r e anan. Nla doman dapat berupa blangan post maupun negat..6. Fungs Keanggotaan Fuzzy Fungs eanggotaan (membershp uncton) adalah suatu urva yang menujuan pemetaan tt-tt nput data e dalam nla eanggotaanya (serng juga dsebut dengan derajat eanggotaan) yang meml nterval antara 0 sampa. Salah satu cara yang dapat dgunaan untu mendapatan nla eanggotaan adalah melalu pendeatan ungs. Ada beberapa ungs yang bsa dgunaan yatu, representa lnear, urva segtga, urva trapezum, urva bentu bahu, urva bentu lonceng, dan oordnat eanggotaan.

13 7 Dalam ranga mempertahanan ormat standar dagram ontrol dan untu memasltas merencanaan pengamatan pada tabel, maa perlu untu mengubah uzzy set yang berhubungan dengan nla-nla lngust menjad salar, yang aan dsebut nla-nla representat (Wang dan Raz 990). ~.6.3 Nla Representat Fuzzy ( L ( l ) ) Msal terdapat varabel lngust dnotasan dengan L. Contohnya, tngat penddan, tngat penghaslan, tngat mutu produs, dan lan-lan. Data lngust buan berupa numer, msalnya:. Tngat penddan : SD, SMP, SMA, D3, S, S, dan S3.. Tngat penghaslan : tngg, sedang, rendah. 3. Tngat mutu produ : perect (sempurna), good (ba), um (sedang), poor (urang ba), dan bad (buru). Dantara dua ategor, terdapat data yang dsebut nla uzzy (abur). Jad, untu asus n ta dhadapan dengan hmpunan uzzy yang dsmbolan dengan F dar berbaga varabel dasar numer. Varabel dasar mungn langsung teruur sepert tngat penddan, tngat penghaslan, dan tngat mutu produ. Atau mungn ddasaran pada beberapa nla ualtat, sepert yang dsajan dalam sala yang berbentu selang. Msal dalam selang bentu [0,]. Hmpunan bagan uzzy dtanda dengan ungs ( ) yang mengatan sebuah blangan dalam nterval [0,] e masng-masng nla dasar. Nla representat dar hmpunan bagan uzzy dapat dtentuan dalam berbaga cara, selama haslnya adalah representat dar varabel dasar termasu dalam hmpunan uzzy. Empat cara, yang mrp dalam statst desrpt yatu, uzzy modus, uzzy mdrange, uzzy an, dan uzzy average. Adapun penjelasannya sebaga berut:

14 8 a. Metode Modus Fuzzy Fuzzy Modus, mod adalah nla dar varabel dasar dmana ungs eanggotaan sama dengan. Hal n dnyataan sebaga berut: mod x x X (.4) F Artnya, nla dar X yatu x mempunya nla eanggotaan yatu sama dengan. Ja ungs eanggotaan unmodal, modus uzzy nya tunggal. Dmana, F : hmpunan bagan uzzy. x : varabel dasar ( ) : ungs eanggotaan. Berut contoh untu menentuan nla representat menggunaan metode Modus Fuzzy (x) perect x 0 ;0 x 0,5 ;0,5 x perect x x 0 ( x) x Dengan menggunaan ungs eanggotaan ( x) x dperoleh nla perect representat = 0, nla tersebut selanjutnya yang aan dgunaan pada perhtungan propors yang dbobot. b. Metode Mdrange Fuzzy Mdrange uzzy bertara α, ( ) adalah rata-rata tt ahr pada pemotongan bertara α. menunjuan pemotongan F bertara α merupaan hmpunan bagan non uzzy dar varabel dasar x yang mengandung semua nla dengan nla ungs eanggotaan lebh besar atau sama dengan α, maa

15 9 F x F( x) (.5) c. Metode Medan Fuzzy Metode an uzzy, adalah tt yang membag daerah d bawah ungs eanggotaan e dalam dua daerah yang sama besar yang memenuh persamaan berut: x) dx F( x) dx a c c F ( F( x) dx (.6) a Dmana a dan c (a < c) adalah batas dar varabel dasar hmpunan uzzy F. Berut beberapa contoh untu menentuan nla representat menggunaan metode uzzy an: F( x) dx F( x) dx F( x) dx a a 0; c 0 ( x) dx ( x x ) 0 c ( ( ) 0,5 0 0,5 ( x) dx x x ) 0,5 0 () 0,5 0 (0,5 0,5 0,5 4(.0,5) 0,5 0,707 0,707 0, ,707 0,4645 c a ) 0

16 0 Maa x yang dgunaan adalah x=0,645 d. Metode Average Fuzzy Metode average uzzy, ddensan oleh Zadeh (975) sebaga berut: avg x0 Av( x; F) xf x0 F x x dx dx (.7).7 Dagram Kontrol Fuzzy Multnomal Sala lngust umumya dgunaan dalam ndustr untu mengespresan sat atau araterst dar produ. Sebaga contoh, pada proses produs tutup botol (mungn meml emungnan penlaan berut (Franceschn dan Romano, 999): reject qualty' ja gabus tda beerja; poor qualty' ja gabus beerja namun meml beberapa cacat; um qualty' ja gabus beerja dan tda meml cacat, tetap meml beberapa elemahan bentu esteta; good qualty' ja gabus beerja, tda meml cacat dan hanya eurangan sedt pada bentu esteta; excellent qualty' ja gabus beerja, tda meml cacat dan tda ada eurangan esteta apapun. Oleh arena tu, ta tda dapat menggunaan dstrbus bnomal dan multnomal, yang ddasaran pada hpotess yang uat bahwa daerah tunggal salng eslus. Ketdajelasan hadr dalam varabel lngust dapat datas dengan bantuan teor hmpunan uzzy (Zadeh 975a, 975b, 976, Yager dan Flev 994, Lavolette et al. 995).

17 Msal ~ ~ l, Ll, l, Ll ~,, l, L ~ L merupaan varabel lngust. l Andaan proses produs dalam eadaan stabl dengan p adalah probabltas sebuah tem yatu l ;,,3,...,. Asumsan sebuah sampel aca dar produ yang dplh. Msal, X merupaan banyanya tem yang berupa l. Maa X, X,..., X berdstrbus multnomal dengan parameter n dan p,...,, p p. Dstrbus marjnal dar X adalah bnomal dengan mean np dan varansnya np p ) ; =,,,. ( Derajat eanggotaan/nla representat masng-masng tem untu ategor adalah L ~ l yang dperoleh dengan menggunaan Persamaan.4 untu metode modus uzzy dan Persamaan.6 untu an uzzy. Sedangan rata-rata propors yang dbobot L ~ j adalah sebaga berut: ~ L j X L ~ j ( l ) X X j n L ~ ( l ) Dmana, = banyanya ategor (,,,) (.8) j = sampel/perode (,,,6) Batas-batas ontrol dar dagram multnomal uzzy sebaga berut: BKA E( L ~ ) ~ Pusat E( L ) BKB E( L ~ ) var( L ~ ) var( L ~ ) (.9) Dmana (basanya=3) merupaan jara antara batas-batas ontrol dar tt pusat. ~ ~ E (L ) dan var(l ) dtentuan menggunaan persamaan berut: E( L ~ ) Var( L ~ ) ~ p L( l ) ~ p ( p ) L ( l ) j j n ~ p p L( l ) L ~ ( l ) j j (.0)

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octavana dan Dra. Luca Ardnant, MT. Jurusan Statsta, Faultas Matemata dan Ilmu

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4 Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

ANALISIS KAPABILITAS PROSES

ANALISIS KAPABILITAS PROSES TI PENGENLIN KULITS STTISTIK TOPIK 0 NLISIS KPILITS PROSES L, Semester II 00/0 Hlm. TI PENGENLIN KULITS STTISTIK. PENHULUN esrps : Merupaan uuran eseragaman proses dalam menghaslan produ dengan araterst

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa

III. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

UKURAN LOKASI, VARIASI & BENTUK KURVA

UKURAN LOKASI, VARIASI & BENTUK KURVA UKURAN LOKASI, VARIASI & BENTUK KURVA MARULAM MT SIMARMATA, MS STATISTIK TERAPAN FAK HUKUM USI @4 ARTI UKURAN LOKASI DAN VARIASI Suatu Kelompok DATA berupa kumpulan nla VARIABEL [ vaabel ] Ms banyaknya

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan lanjut data gravitasi Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal

Lebih terperinci

BAB III MODUL INJEKTIF

BAB III MODUL INJEKTIF BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih terperinci

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen. BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2 LNDSN TEORI 2. Teor engamblan Keputusan Menurut Supranto 99 keputusan adalah hasl pemecahan masalah yang dhadapnya dengan tegas. Suatu keputusan merupakan jawaban yang past terhadap suatu pertanyaan.

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

Bab III Model Estimasi Outstanding Claims Liability

Bab III Model Estimasi Outstanding Claims Liability Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN

BAB IV PEMBAHASAN HASIL PENELITIAN BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan

Lebih terperinci

MINGGU KE- V: UKURAN PENYEBARAN

MINGGU KE- V: UKURAN PENYEBARAN MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi

ε adalah error random yang diasumsikan independen, m X ) adalah fungsi BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu

Lebih terperinci

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

Lebih terperinci

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996).

2 TINJAUAN PUSTAKA. sistem statis dan sistem fuzzy. Penelitian sejenis juga dilakukan oleh Aziz (1996). 2 TINJAUAN PUSTAKA 2.1 Stud Yang Terkat Peneltan n mengacu pada jurnal yang dtuls oleh Khang, dkk.(1995). Dalam peneltannya, Khang, dkk membandngkan arus lalu lntas yang datur menggunakan sstem stats dan

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT) MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam 1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

I. PENGANTAR STATISTIKA

I. PENGANTAR STATISTIKA 1 I. PENGANTAR STATISTIKA 1.1 Jens-jens Statstk Secara umum, lmu statstka dapat terbag menjad dua jens, yatu: 1. Statstka Deskrptf. Statstka Inferensal Dalam sub bab n akan djelaskan mengena pengertan

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear

Configural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SD Al-Azhar 1 Wayhalim Bandar Lampung. Populasi 3 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SD Al-Azhar Wayhalm Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas V yang terdr dar 5 kelas yatu V A, V B, V

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih terperinci

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a Pemodelan Anomal Magnet Berbentu Prsma Menggunaan Algortma Geneta Antonus a, Yudha Arman a *, Joo Sampurno a a Jurusan Fsa, FMIPA Unverstas Tanjungpura, Jalan Pro. Dr. Hadar Nawaw, Pontana, Indonesa *Emal

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta,

BAB III METODE PENELITIAN. Karangkajen, Madrasah Tsanawiyah Mu'allimaat Muhammadiyah Yogyakarta, BAB III METODE PENELITIAN A. Tempat dan Waktu Peneltan Peneltan n dlakukan pada 6 (enam) MTs d Kota Yogyakarta, yang melput: Madrasah Tsanawyah Neger Yogyakarta II, Madrasah Tsanawyah Muhammadyah Gedongtengen,

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota

Lebih terperinci