PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM"

Transkripsi

1 J. Sas MIPA Eds Khusus Tahu 28 Vol. 4 No. Hal.: 7-22 ISSN ABSTRACT PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM Ra Sa Hmta Wasoo da Da Kuasa Juusa Matmatka FMIPA Uvstas Lampu Jl. S. Bojooo No. Bada Lampu 3545 Idosa Dtma 28 Austus 27 pbaka Dsmb 27 dstuju utuk dtbtka 27 Dsmb 27 I ths pap w dscuss pocdus of a mamum lklhood mthod stmat paamts of alzd Wbull dstbuto. To assss ubasd popts w dvlop Mot Calo Smulato. W show that how Nwto-Raphso tatos ca b utlzd th mamum lklhood mthod. W also dmostat that th bas of mamum lklhood stmats of th paamts s small as th sampl sz cass ad th cofdt tvals s shot as th sampl sz cass. Kywods:alzd Wbull dstbuto mamum lklhood mthod Mot Calo Smulato Nwto-Raphso tatos. PENDAHULUAN Mmlh modl plua tbak dalam data klasua hdup bukalah ssuatu hal ya mudah utuk dlakuka. Satu pdkata utuk matas masalah adalah da muaka modl-modl umum (al modls). Salah satu modl umum ya dapat duaka adalah modl dstbus alzd Wbull kaa mmlk pots ya baus utuk mcocokka data klasua hdup. Msalka X adalah pubah acak da dstbus alzd Wbull da ta paamt maka fus kpkata plua da pubah acak tsbut adalah ) f ( ) ; < < > > () da X = pubah acak ya ddfska sbaa waktu mat/usak/aal (falu tm). = paamt lokas (tshold) ya mujukka lokas waktu dmaa pada saat lokas waktu tsbut blum ada obyk pamata ya mat/usak/aal maupu hla. = paamt skala ya mujukka bsaya kaama data dstbus alzd Wbull. = paamt btuk ya mujukka laju kmata/kusaka data dstbus alzd Wbull. Dmaa fus kumulatf da dstbus alzd Wbull sbaa bkut: F( ) (2) Utuk mdua paamt dstbus alzd Wbull pada plta duaka mtod kmuka maksmum (mamum lklhood mthod). Mtod pduaa tsbut mupaka salah satu mtod ya saat popul dalam pduaa paamt suatu dstbus 2 3). Mtod kmuka maksmum ddasaka pada to data ya bukua bsa. Tujua plta adalah utuk mkaj posdu mtod kmuka maksmum dalam mdua paamt dstbus alzd Wbull da mkaj sfat ktakbasa da duaa ya dhaslka da mtod kmuka maksmum. 2. METODE PENELITIAN Mtod ya duaka dalam plta mkut lakah-lakah sbaa bkut:. Mdua paamt dstbus alzd Wbull da mtod kmuka maksmum sbaa bkut: 28 FMIPA Uvstas Lampu 7

2 Ra Sa Hmta dkk Pduaa Paamt Dstbus Galzd Wbull a. Mmbtuk fus kmuka ya basal da fus dstbus alzd Wbull. b. Muuka fus kmuka dstbus alzd Wbull da fus l. c. Mca tuua ptama da l fus kmuka thadap paamt da ya hdak d dua da myamakya da ol. d. Apabla solus da psamaa ya dhaslka da lakah c posdu pduaa dlajutka da tas Nwto-Raphso. 2. Mmvfkas kja mtod kmuka maksmum dalam mdua paamt dstbus alzd Wbull mlalu stud smulas Mot Calo 4). Skao smulas Mot Calo ya dlakuka adalah da mambl kombas la paamt =3 ß=2 da = da ukua sampl sbayak = = 3 da = ya masmas dula sbayak kal da la tolas mas-mas sbsa... da.. 3. HASIL DAN PEMBAHASAN 3.. Pduaa Paamt Galzd Wbull da Muaka Mtod Kmuka Maksmum Fus kmuka Psamaa () da sbuah sampl acak da obsvas pada dstbus alzd Wbull dapat dlhat sbaa bkut: L kmuda dmaksmumka da lo atau da l L sha mjad l L l sha dpolh loatma fus kmuka maksmum dstbus alzd Wbull l L l l ( )l l (3) Stlah dmaksmumka da muaka l L maka dpolh pduaa paamt da mtod kmuka maksmum yatu da mca tuua ptama da loatma paamt-paamt ya aka ddua da myamakaya da ol sha dpolh: Utuk paamt (4) Utuk paamt (5) Utuk paamt l l l l (6) Kaa solus Psamaa (6) d atas tdak dapat dslsaka scaa aaltk maka dpluka pdkata umk. Dalam tulsa utuk mylsaka psamaa tsbut muaka mtod tas Nwto-Raphso yatu da msubttuska Psamaa (4) k dalam Psamaa (6) sha dpolh: l l (7) 8 28 FMIPA Uvstas Lampu

3 J. Sas MIPA Eds Khusus Tahu 28 Vol. 4 No. Spt ya tlah djabaka d atas la pdua paamt da dttuka mlalu pdua paamt. Olh kaa tu sblum dca la pdua paamt da tlbh dahulu dhtu la pdua paamt. Lakah-lakah mtod Nwto-Raphso ba dstbus alzd Wbull adalah sbaa bkut 5) :. mtuka la awal ya dttuka mdkat sbaa fus sko Fsh ya ddua pada la. 2. mtuka psamaa fus ya dplolh da psamaa (6) l (8) l da tuua ptamaya ' ' l l 2 l l 2 dpolh Psamaa (9) 3. masukka psamaa fus da tuua ptamaya k dalam umus mtod Nwto-Raphso sampa da o ya maa bdasaka posdu blaku: () sha da Psamaa (9) da () dpolh duaa paamt ba sbaa bkut: ' () slajutya utuk mydhaaka phtua la pdua paamt kmuka maksmum ba dtulska sbaa bkut dapat (2) 28 FMIPA Uvstas Lampu 9

4 Ra Sa Hmta dkk Pduaa Paamt Dstbus Galzd Wbull da la slalu btambah satu da satu tas k tas bkutya. Da mmbka la awal pada psamaa (2) maka aka dpolh sbuah pduaa ya lbh bak ha pbdaa ataa pduaa da paamt ya sbaya mdkat ol Sfat Ktakbasa Pdua Kmuka Maksmum pada Dstbus Galzd Wbull Hasl ya dpolh da smulas adalah sbaa bkut. Spt tlhat pada Tabl utuk la tolas sbsa. smak bsa ukua sampl la duaa smak mdkat la paamt sbaya. Da kata la bas duaa smak kcl da smak bsaya ukua sampl. Smtaa tu sla kpcayaa ba duaa paamt ya dpolh da muaka mtod kmuka maksmum cdu smak pdk da smak mkatya ukua sampl. Hasl ya supa dpolh utuk la tolas mas-mas sbsa.. da. (Tabl 2 3 da 4. Bas da duaa paamt smak kcl da smak mkatya ukua sampl da sla kpcayaa ya dhaslka smak smpt da smak bsaya ukua sampl. Tabl. Nla pdua paamt =3 =2 da = dstbus alzd Wbull utuk ukua sampl = ( 3 da ) da la tolas =. = = 3 = Ukua Sampl Pdua Paamt Lokas ( ) Skala ( ) Btuk ( ) Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa(95%) [ ] [ ] [ ] Bas Raam.4.9. Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Tabl 2. Nla pdua paamt =3 =2 da = dstbus alzd Wbull utuk ukua sampl = ( 3 da ) da la tolas =. N = N = 3 = Ukua Sampl Pdua Paamt Lokas ( ) Skala ( ) Btuk ( ) Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa(95%) [ ] [ ] [ ] Bas Raam FMIPA Uvstas Lampu

5 J. Sas MIPA Eds Khusus Tahu 28 Vol. 4 No. Tabl 3. Nla pdua paamt =3 =2 da = dstbus alzd Wbull utuk ukua sampl = ( 3 da ) da la tolas =.. = = 3 = Ukua Sampl Pdua Paamt Lokas ( ) Skala ( ) Btuk ( ) Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Tabl 4. Nla pdua paamt =3 =2 da = dstbus alzd Wbull utuk ukua sampl = ( 3 da ) da la tolas =.. = = 3 = Ukua Sampl Pdua Paamt Lokas ( ) Skala ( ) Btuk ( ) Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa (95%) [ ] [ ] [ ] Bas Raam Nla Tah Sla Kpcayaa (95%) [ ] [ ] [.883.] Bas Raam KESIMPULAN Bdasaka hasl ya dpolh maka dapat dambl bbapa ksmpula sbaa bkut: l L l l ( )l l Kaa loatma fus kmuka dstbus alzd Wbull tdak dapat dslsaka scaa aaltk maka datas da muaka mtod tas Nwto-Raphso. Pdua paamt dstbus alzd Wbull da muaka mtod kmuka maksmum mmpuya sfat ktakbasa ya dpolh utuk paamt ( ) mmpuya bas ya kcl utuk ukua sampl bsa da kata la smak bsa jumlah sampl ya duaka maka hasl pduaaya smak tak bas. DAFTAR PUSTAKA. Jhosho N.L. ad Kotz S. 97. Cotous Uvaat Dstbuto. Joh Wly Nw Yok. 2. Ho R.V. ad Ca A.T Itoducto to Mathmatcal Statstcs. Ffth Edto. Ptc-hall Ic. Nw jsy. 28 FMIPA Uvstas Lampu 2

6 Ra Sa Hmta dkk Pduaa Paamt Dstbus Galzd Wbull 3. Ho R.V. ad Tas E.A Pobablty ad Statstcal Ifc. Sth Edto. Ptc-hall Ic. Nw jsy. 4. Ross S. M Smulato. Scod Edto. Acadmc Pss Calfoa. 5. Mu R Mtod Numk. Ifomatka Badu FMIPA Uvstas Lampu

PROSIDING ISBN :

PROSIDING ISBN : PROSIDING ISBN : 978 979 6353 3 METODE FINALTI UNTUK MENENTUKAN BERAT SAPI OPTIMAL Olh : H. A. Pahusp da Sska Ayua Pogam Stud Matmatka Idust da Statstka Fakultas Sas da Matmatka (FSM) Uvstas Kst Satya

Lebih terperinci

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomo, Tahu 0, Halama 35-46 Ol d: http://joual-s.udp.ac.d/d.php/gaussa PEMBANGKITAN SAMPEL RANDOM MENGGUNAKAN ALGORITMA METROPOLIS- HASTINGS Ls Kua Iwat, Moch. Abdul Mukd, Rta Rahmawat

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

Lebih terperinci

PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN

PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN PENDUGAAN PARAMETER BEBERAPA SEBARAN POISSON CAMPURAN DAN BEBERAPA SEBARAN DISKRET DENGAN MENGGUNAKAN ALGORITME EM ADE HARIS HIMAWAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 8 PERNYATAAN MENGENAI

Lebih terperinci

PRAKIRAAN KEBUTUHAN ENERGI LISTRIK TAHUN PADA PT. PLN AREA PELAYANAN JARINGAN MALANG DENGAN METODE GABUNGAN

PRAKIRAAN KEBUTUHAN ENERGI LISTRIK TAHUN PADA PT. PLN AREA PELAYANAN JARINGAN MALANG DENGAN METODE GABUNGAN PRAKIRAAN KEBUTUHAN ENERGI LISTRIK TAHUN 2012-2022 PADA PT. PLN AREA PELAYANAN JARINGAN MALANG DENGAN METODE GABUNGAN Padaa Aoaa Tto¹, I. Uul Wbawa, MSc.², D. I. Hay Sokotjo Dachla, MSc³ ¹Mahasswa Tkk

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

ESTIMASI PARAMETER DARI DISTRIBUSI WEIBULL TERMODIFIKASI

ESTIMASI PARAMETER DARI DISTRIBUSI WEIBULL TERMODIFIKASI ESIMSI PMEE DI DISIBUSI WEIBULL EMODIFIKSI Nama Mahasswa : mboo Puto NP : 48 Juusan : Matmatka FMIP-IS Dosn Pmbmbng : Ds. Fada gustn Wdjajat, MS bstak Sahan dan Zanudn (8) mmpknalkan gnalsas da dstbus

Lebih terperinci

HASIL DAN PEMBAHASAN. RAM 3 GB. Harddisk dengan kapasitas 250 GB.

HASIL DAN PEMBAHASAN. RAM 3 GB. Harddisk dengan kapasitas 250 GB. 4 tp R= tp + f...(3 tp = tp + fp...(4 Evalua dlakuka dga 2 paag ku da dkum lva yag dbuat khuu utuk plta. Dafta paaga ku uj da dkum lva dapat dlhat pada Lampa 2, dagka Lampa 3 bka dkp da ku uj. Nla all

Lebih terperinci

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL

PERBANDINGAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DAN METODE BAYES DALAM PENDUGAAN PARAMETER DISTRIBUSI EKSPONENSIAL Bult Ilmah Mat. Stat. a Trapaya (Bmastr) Volum, No. (3), hal. 5 56. PRBANDINGAN MTOD MAXIMUM LIKLIHOOD STIMATION (ML) DAN MTOD BAYS DALAM PNDUGAAN PARAMTR DISTRIBUSI KSPONNSIAL Dw Nurlala, Daa Kusaar,

Lebih terperinci

(Saeter & Hammond, 2006) i, j=1,2,...n. III. PEMBAHASAN

(Saeter & Hammond, 2006) i, j=1,2,...n. III. PEMBAHASAN 6 j j, j,, (Sat & Hammod, 006 III PEMBAHASAN 3 Fug poduk Hubuga ataa put da output dapat dtaomaka olh buah ug poduk Scaa matmat, ug poduk dapat dtulka baga bkut: ( K, L, M, dga: output yag dhalka lama

Lebih terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA BAB II IMPEDANSI SUJA KAWA ANAH DAN MENAA II. UMUM Saluan tansms lbh tngg dbandngkan objk d skllngnya, kana tu saluan tansms mmlk sko bsa untuk tkna sambaan pt. Untuk mngatas hal tsbut maka saluan tansms

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Pada bab n akan duakan bbapa konsp dan mtod yang mnjad dasa pnulsan tugas akh n. Bbapa konsp dan mtod tsbut alah pnclan, tata caa mndtks pnclan, mtod OLS, mnntukan ata-ata kuadat tkcl

Lebih terperinci

BAB 2. Teori Pendukung Lingkungan. Misalkan z. adalah suatu titik pada bidang dan r adalah bilangan nyata. positif. Lingkungan r bagi z

BAB 2. Teori Pendukung Lingkungan. Misalkan z. adalah suatu titik pada bidang dan r adalah bilangan nyata. positif. Lingkungan r bagi z BAB Toi Pdukug.. Ligkuga Misalka z adalah suatu titik pada bidag da adalah bilaga yata positi. Ligkuga bagi z -ighbohood o z didiisika sbagai sluuh titik z pada bidag, sdmikia shigga z z < ; ditulis z,.

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

Distribusi Waktu Tinggal Dalam Unggun Pancar

Distribusi Waktu Tinggal Dalam Unggun Pancar Dsbus Waku Tggal Dalam Uggu aca Yazd Bda, H Susao, da Ao Hadao Dpam Tkk Kma, Fakulas Tkolog Idus, Isu Tkolog Badug Jl. Gashaa 0 Badug yazd@ch.b.ac.d Absak Uggu paca masuk dalam salah sau p uggu fludaka.

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

METODE NEWTON-STEFFENSEN DENGAN ORDE KEKONVERGENAN TIGA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR

METODE NEWTON-STEFFENSEN DENGAN ORDE KEKONVERGENAN TIGA UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR METDE NEWTN-STEFFENSEN DENGN RDE KEKNVERGENN TIG UNTUK MENYELESIKN PERSMN NNLINER Fitiai, Joha Kho, Supiadi Puta Mahaiwa Pogam Studi S Matmatika FMIP Uivita Riau Do JuuaMatmatika FMIP Uivita Riau Fakulta

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI. hardware yang digunakan, perangkat lunak, perangkat pembangun dan tools yang

BAB 4 IMPLEMENTASI DAN EVALUASI. hardware yang digunakan, perangkat lunak, perangkat pembangun dan tools yang BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Lngkungan Implmntas Pada pmbahasan lngkungan mplmntas mlput pmbahasan spsfkas hadwa yang dgunakan, pangkat lunak, pangkat pmbangun dan tools yang dgunakan untuk mmbuat

Lebih terperinci

V. PENDEKATAN BAYES PADA MODEL ACAK

V. PENDEKATAN BAYES PADA MODEL ACAK 7 V PEDEKT BYES PD MODEL CK 5 Pdahulua Pada aak kasus, srgkal dapat dprolh foras awal ttag paratr ag aka dduga Saga cotoh adalah pada kasus pdugaa produkttas taaa hortkultura ag tlah dahas pada Ba Pada

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

SISTEM PENGOLAHAN ISYARAT. Kuliah 7 Transformasi Fourier Cepat

SISTEM PENGOLAHAN ISYARAT. Kuliah 7 Transformasi Fourier Cepat TKE 43 SISTEM PEGOLAHA ISYARAT Kuliah 7 Tasomasi Foui Cpat FFT : Fast Foui Tasom Idah Susilaati, S.T., M.Eg. Pogam Studi Tkik Elkto Fakultas Tkik da Ilmu Komput Uivsitas Mcu Buaa Yogyakata 9 KULIAH 7 SISTEM

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

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

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

INTERPOLASI. FTI-Universitas Yarsi

INTERPOLASI. FTI-Universitas Yarsi BAB VI INTERPOLASI FTI-Uverstas Yars Pedahulua Bla dketahu taulas ttk-ttk (y seaga erkut (yag dalam hal rumus ugs y ( tdak dketahu secara eksplst: Htug taksra la y utuk 3.8! FTI-Uverstas Yars Persoala

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

SIFAT ASIMTOTIK NORMALITAS DAN KETAKBIASAN PENDUGA KEMUNGKINAN MAKSIMUM PARAMETER DISTRIBUSI GENERALIZED GAMMA

SIFAT ASIMTOTIK NORMALITAS DAN KETAKBIASAN PENDUGA KEMUNGKINAN MAKSIMUM PARAMETER DISTRIBUSI GENERALIZED GAMMA J. Sas MIPA s Khusus Tahu 8 Vo. 4 No. Ha.: 4-46 ISSN 978-873 SIFAT ASIMTOTIK NORMAITAS DAN KTAKBIASAN PNDUGA KMUNGKINAN MAKSIMUM PARAMTR DISTRIBUSI GNRAIZD GAMMA ABSTRACT Da Kurasar Doa Ra Maja Warsoo

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2.

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2. Pagaa Ovdss Ro Togl S. PENANGANAN OVERDISPERSI PADA MODE REGRESI POISSON MENGGUNAKAN MODE REGRESI BINOMIA NEGATIF Ro Togal Smamata Dw Isat Alum Pogam Stud Statsta Ud Sta Pgaa Pogam Stud Statsta Ud Abstact

Lebih terperinci

Persatuan Aktuaris Indonesia Dasar-dasar Matematika Asuransi Jiwa 28 November Untuk soal no. 1 s/d 3 di bawah, diketahui suatu survival function

Persatuan Aktuaris Indonesia Dasar-dasar Matematika Asuransi Jiwa 28 November Untuk soal no. 1 s/d 3 di bawah, diketahui suatu survival function Prsatua ktuars Idosa Dasar-dasar Matmatka suras Jwa 8 Nombr 00 Utuk soal o s/d 3 d bawah, dktahu suatu sural fucto 00 s ( ) utuk 0 00 0 Htuglah F (75) X 0,0 B 0,30 C 0,40 D 0,50 E 0,0 Htuglah f (75) X

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Abstract. Keywords: The Selection Of Laptop Brand, Product, Price, Promotion, Multinomial Logistic Regression

Abstract. Keywords: The Selection Of Laptop Brand, Product, Price, Promotion, Multinomial Logistic Regression Aalss Paruh Faqotul Hah ANAISIS PENGARUH STRATEGI BAURAN PEMASARAN TERHADAP PEMIIHAN MEREK APTOP MENGGUNAKAN REGRESI OGISTIK MUTINOMIA Stud Kasus Mahasswa Uvrstas Dpooro Faqotul Hah, Trastut Wuradar, Abdul

Lebih terperinci

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2 Kaa Kovrgs Barsa Ruag Norm-(-) Dga KAJIAN KONVERGENSI BARISAN RUANG NORM-(-) DENGAN Faratul Masruroh Era Aprla Sao 3 Jurusa Matmatka FMIPA Isttut Tkolog Spuluh Nopmbr Surabaa 3 Jl. Arf Rahma Hakm Kampus

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1 JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-3 (3-8 Prt) D- Pmodla Partspas Wata dalam Kgata Ekoom Rumah Tagga Nlaya d Pssr Tmur Surabaya (Stud Kasus Kcamata Kcamata Bulak, Mulyorjo, da Kjra) Irma Harlagtyas,

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

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

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

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

APROKSIMASI PADÉ DAN PENERAPANNYA PADA ANALISIS PERFORMANSI DETEKSI RADAR

APROKSIMASI PADÉ DAN PENERAPANNYA PADA ANALISIS PERFORMANSI DETEKSI RADAR 9 Absta AROKSIASI ADÉ DA EERAAYA ADA AALISIS ERFORASI DETEKSI RADAR D Sapud, Kutoo Ad Sdato DU Solah Tgg Tolog Tlom, Badug Dpatm atmata, Isttut Tolog Badug ds@stttlom.a.d, sdato@ds.math.tb.a.d Aposmas

Lebih terperinci

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM

SKRIPSI. oleh: FARIDA KARUNIAWATI NIM ANALISIS REGRESI DUMMY VARIABLE MODEL LOGIT (Kasus pada Estmas Huja d Karagploso, Malag) SKRIPSI olh: FARIDA KARUNIAWATI NIM. 0650028 JURUSAN MATEMATIKA FAKULTAS SAIN DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

Penerapan Model Predictive Control (MPC) pada Kapal Autopilot dengan Lintasan Tertentu

Penerapan Model Predictive Control (MPC) pada Kapal Autopilot dengan Lintasan Tertentu JURNA SAINS DAN SENI ITS Vol, No, Sp 0 ISSN: 0-98X A-5 Papa Mol P Cool MPC paa Kapal Aoplo a aa T S Aa Sola, Kaa, a Sba Ja Maaa, Fala Maaa a Il Paa Ala, I Tolo Spl Nopb ITS Jl A Raa Ha, Sabaya 60 Eal:

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.1, Februari 2012

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.1, Februari 2012 IfJal Ilmah Pogam d Mamaka TKIP lwag Badg Vol No Fba PNRAPAN MTOD BARAN PIVOT DALAM PNURUNAN RUMU TAKIRAN INTRVAL DARI KOFIIN RGRI LINAR DRHANA Olh : Na Hhao Jsa Pddka Mamaka FPMIPA UPI Absak Rgs mpaka

Lebih terperinci

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD LISTRIK STATIS - HUKUM COULOMB Olh Supano, PhD Sfat-sfat Muatan Bla sbuah ss dgosok-gosokkan pada ambut, lalu ddkatkan kpada sphan ktas kcl-kcl, maka sphan ktas tu akan ttak dan mlkat pada ss. Pstwa n

Lebih terperinci

ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG

ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG J Pla Sa 6 ( Jul 007 Juua Pdda MIPA FKIP Uta Rau IN 4-5595 Abtact ESTIMASI DAN UJI EKSAK KOMPONEN VARIANSI PADA MODEL RANDOM KLASIFIKASI DUA ARAH DENGAN DATA TIDAK SEIMBANG Rutam Efd Pogam Stud Matmata

Lebih terperinci

B A B I V H A S I L P E N E L I T I A N D A N P E M B A H A S A N

B A B I V H A S I L P E N E L I T I A N D A N P E M B A H A S A N B A B I V H A S I L P E N E L I T I A N D A N P E M B A H A S A N 4. 1 D e s k r i p s i H a s i l P e n e l i t i a n P r e T e s t d a n P o s t T e s t D a r i h a s i l p e n g u j i a n d i p e r

Lebih terperinci

Antena Array 4 Patch Mikrostrip Sirkular Pada Frekuensi MHz

Antena Array 4 Patch Mikrostrip Sirkular Pada Frekuensi MHz Ata Aay 4 Patch Mikostip Sikula Pada Fkusi 2300-2400 MHz Si Hadiati*, Yuyu Wahyu*, Foli Oktafiai*, *)Pliti Pusat Plitia Elktoika da Tlkomuikasi (PPET-LIPI) Jl. Sagkuiag Badug 40135 -mail:ash_gt@yahoo.com

Lebih terperinci

METODE SECANT-MIDPOINT NEWTON UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Supriadi Putra

METODE SECANT-MIDPOINT NEWTON UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR. Supriadi Putra METODE SENT-MIDPOINT NEWTON UNTUK MENYELESIKN PERSMN NONLINER Supriadi Putra sputra@uri.ac.id Laboratorium Komputasi Jurusa Matmatika Fakultas Matmatika da Ilmu Pgtahua lam Uivrsitas Riau Kampus Biawidya

Lebih terperinci

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA

Delta-Pi: Jurnal Matematika dan Pendidikan Matematika ISSN X Vol. 2, No. 2, Oktober 2013 ALJABAR LINTASAN LEAVITT SEDERHANA Dlta-P: Jural Matmatka da Pddka Matmatka ISSN 89-855X Vol., No., Oktobr 3 ALJABAR LINTASAN LAVITT SDRHANA Ida Kura Walyat Program Stud Pddka Matmatka FKIP Urstas Kharu, Trat mal: adhku@gmal.com ABSTRAK

Lebih terperinci

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM

ESTIMASI REGRESI MODEL LOGIT DENGAN METODE MAKSIMUM LIKELIHOOD SKRIPSI. Oleh: DINUL WAFA NIM STIMASI RGRSI MODL LOGIT DNGAN MTOD MAKSIMUM LIKLIHOOD SKRIPSI Olh: DINUL WAFA NIM. 5548 JURUSAN MATMATIKA FAKULTAS SAINS DAN TKNOLOGI UNIVRSITAS ISLAM NGRI MAULANA MALIK IBRAHIM MALANG 9 STIMASI RGRSI

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner

Pengklasifikasian Penyakit Jantung Di RSUD Abdul Wahab Sjahranie Samarinda Dengan Menggunakan Regresi Logistik Biner Pgklasfkasa Pyakt Jatug D RSUD Abdul Wahab Sjahra Samarda Dga Mgguaka Rgrs Logstk Br Classfcato of Hart Dsas RSUD Abdul Wahab Sjahra Samarda Usg Bary Logstk Rgrsso Adras Sutato 1, Darah A. Noh, Syarudd

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE

MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENTUK IMAGE MEMBANGUN GAUSSIAN CLASSIFIER DALAM MENGENALI OBJEK DALAM BENUK IMAGE Irwa Bud Satoso Jurusa ekk Iformatka, Sas da ekolo Uverstas Islam Neer (UIN) Maulaa Malk Ibrahm Mala rwa.bud3377@mal.com Abstrak-Dstrbus

Lebih terperinci

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange Praktkum 0 Iterpolas Polomal da Lagrage PRAKTIKUM 0 Iterpolas Polomal da Lagrage Tuua : Mempelaar berbaga metode Iterpolas ag ada utuk meetuka ttkttk atara dar buah ttk dega megguaka suatu fugs pedekata

Lebih terperinci

Komang Suardika, Jurusan Pendidikan Fisika Fisika Kuantum

Komang Suardika, Jurusan Pendidikan Fisika Fisika Kuantum Komag Suadika, Juusa Pdidika Fisika Fisika Kuatum I. Ppadaa Fkusi Boh Modl atom muut Ruthfod tdii dai iti atom yag bmuata positif da masif sta dikliligi pada jaak yag latif bsa olh lktolkto yag satiasa

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

PENGUAT GANDENGAN DC

PENGUAT GANDENGAN DC 4 PNGUAT GANDNGAN DC Dalam paktk basanya untuk mmplh suatu pnguatan yang cukup bsa, dapat dlakukan dngan mnggandng bbapa pnguat atau basa dknal dngan pnguat btngkat. Untuk mnjaga aga tgangan panja (bas)

Lebih terperinci

P(A S) = P(A S) = P(B A) = dengan P(A) > 0.

P(A S) = P(A S) = P(B A) = dengan P(A) > 0. 0 3.5. PELUANG BERSYARAT Jka kta menghtung peluang sebuah pestwa, maka penghtungannya selalu ddasakan pada uang sampel ekspemen. Apabla A adalah sebuah pestwa, maka penghtungan peluang da pestwa A selalu

Lebih terperinci

= 8 = 7. x 4 = 24 = 8 = 5 = 13. pada persamaan ketiga dan x 3 = 5

= 8 = 7. x 4 = 24 = 8 = 5 = 13. pada persamaan ketiga dan x 3 = 5 III. REDUKSI GANJIL-GENAP/REDUKSI SIKLIS.. Alortma Sequesal Coto 9. Selesaka sstem persamaa erkut : Jawa 6 x + x = 8 x + x 5 x = 7 x + x 6 x = 5 x + 8 x = Vektor x = [ x x x x ] T dperole melalu prosedur

Lebih terperinci

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs

Lebih terperinci

BAB II PEMULIHAN SOLUSI METODE REP DAN ERROR ESTIMATOR Z 2

BAB II PEMULIHAN SOLUSI METODE REP DAN ERROR ESTIMATOR Z 2 BB II PEMULIHN SOLUSI MEODE REP DN ERROR ESIMOR Z.1. UMUM.1.1 Ksalaa Solus Mtod Elm Hgga Error yag trjad mrupaka sls atara solus ksak dga solus pdkata da dapat dksprska dalam btuk prala, tgaga maupu gaya

Lebih terperinci

ANT COLONY OPTIMIZATION UNTUK CLUSTERING DOKUMEN HASIL PENCARIAN

ANT COLONY OPTIMIZATION UNTUK CLUSTERING DOKUMEN HASIL PENCARIAN Semar Nasoal Iformatka 2013 ANT COLONY OPTIMIZATION UNTUK CLUSTERING DOKUMEN HASIL PENCARIAN DAVID Proram Stud Tekk Iformatka Sekolah T Maaeme Iformatka da Komputer Potaak Jl. Merdeka No. 372 Potaak, Kalmata

Lebih terperinci

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH

PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH PENGHITUNGAN PREMI DENGAN MENGGUNAKAN METODE BAYESIAN ROBUST DAN METODE KREDIBILITAS ROBUST TITIES MELYASIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson Estmas Paamete Data Teseso Tpe I Bedstbus Loglogstk Megguaka Maxmum Lkelhood Estmate da Iteas Newto-Rhapso Alfes Fauk Fakultas MIPA, Uvestas Swjaya; emal: alfesfauk@us.ac.d Abstact: Suvval aalyss s oe

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

PELABELAN HARMONIS GANJIL PADA GRAF KINCIR ANGIN BELANDA DAN GABUNGAN GRAF KINCIR ANGIN BELANDA

PELABELAN HARMONIS GANJIL PADA GRAF KINCIR ANGIN BELANDA DAN GABUNGAN GRAF KINCIR ANGIN BELANDA PELABELAN HARMONIS GANJIL PADA GRAF KINIR ANGIN BELANDA DAN GABUNGAN GRAF KINIR ANGIN BELANDA Fery Frmasah ), Kk Aryat Sugeg ) Abstrak : Gra G V G, EG dega V G adalah hmpua smpul da G hmpua busur dsebut

Lebih terperinci