PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan"

Transkripsi

1 PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl Diponegoro 5-6 Salatiga 5711, Indonesia Abstrak Pengujian hipotesis merupakan hal yang sangat penting dalam inferensi statistika. Dalam makalah ini dibahas tentang bagaimana melakukan pengujian hipotesis dengan menggunakan metode Bayesian obyektif. Untuk menggambarkan penggunaan metode ini digunakan sampel yang diperoleh dari populasi yang berdistribusi Bernouli atau yang berdistribusi Normal. Studi simulasi dilakukan untuk memberikan gambaran yang lebih jelas penggunaan metode. Kata kunci : pengujian hipotesis, Bayesian obyektif, reference prior, reference posterior, intrinsic discrepancy loss function, intrinsic statistic. 1. Pendahuluan Metode Bayesian obyektif untuk menentukan estimasi titik dan estimasi interval kredibel) telah dijelaskan berturut-turut dalam makalah Setiawan 9a) dan Setiawan 9b). Dalam makalah ini akan dijelaskan tentang pengujian hipotesis dengan menggunakan metode Bayesian obyektif. Selanjutnya sampel dari populasi yang berdistribusi Bernoulli digunakan untuk memberikan gambaran bagaimana metode ini digunakan.. Dasar Teori Inferensi Bayesian sering kali dikritik karena mendasarkan diri pada pemilihan distribusi prior sehingga akan mempengaruhi kesimpulan yang diambil. Khususnya pemberian prior pada hipotesis nol dan hipotesis alternatif akan sangat janggal. Metode Bayesian obyektif yang digunakan dalam pengujian hipotesis diharapkan akan dapat mengatasi masalah ini. Dengan menggunakan metode ini, akan dihasilkan inferensi yang hanya tergantung pada data dan distribusi anggapan populasi yang menjadi asal sampel. Diskrepansi intrinsik intrínsic discrepancy) p 1, p ) antara dua fungsi densitas p 1 x) dengan x X 1 dan p x) dengan x X didefinisikan sebagai p1, p) mink p x) p1 x) ), K p1 x) p x) ) dengan p1 x) K p1 x) p x)) p1 x) log dx. p x) X Untuk dua keluarga fungsi densitas M1 p1 x ), x 1 ), dan M p x ), x ),

2 dapat didefinisikan diskrepansi intrinsik M, M ) min p x ), p x ). 1 1, Diskrepansi intrinsik diusulkan sebagai fungsi kerugian loss function ) obyektif untuk estimasi titik. Misalkan bahwa gambaran yang sesuai dari tingkah laku probabilistik dari kuantitas random x diberikan oleh model { p x, ), x,, }. Diskrepansi intrinsik antara p x, ) dan keluarga densitas { p x, ), } adalah, ; ) inf, ;, ) dengan, ;, ) min K,, ), K,, ). Misalkan { p x, ), x,, } adalah model parametrik yang dapat digunakan untuk menggambarkan tingkah laku kuantitas random x. Statistik intrinsik intrinsic statistic) didefinisikan sebagai d x) E [ x], ; ), x) d d dengan, ) adalah posterior referensi untuk parameter dari model x p x, ) bila, ; ) adalah parameter yang menjadi perhatian. Apabila diinginkan untuk melakukan pengujian hipotesis H { = } maka statistik intrinsik merupakan ukuran dari kekuatan bukti melawan penggunaan model M dengan M p x, ), }. { Hal itu berarti H akan ditolak jika dan hanya jika d x ) untuk suatu batas d Juarez, 4). Bernardo dan Rueda ) mengusulkan untuk menggunaka aturan sebagai berikut : jika d 1 maka tidak ada bukti untuk menolak H, jika d,5 maka terdapat bukti lemah mild) untuk menolak dan jika d > 5 maka terdapat bukti kuat strong) untuk menolak H. Metode di atas dapat diterapkan pada sampel berikut ini. Misalkan dimiliki x = x 1, x,..., x n ) yang terdiri dari pengamatan Bernoulli yang saling bebas dan tergantung pada sehingga mempunyai fungsi kepadatan probabilitas x i 1 x p x i i ) 1 ) dengan x i = {, 1 }. Berdasarkan data x, akan dilakukan pengujian hipotesis nol H : =. Kullback-Leibler divergence antara p x ) dan p x 1) adalah K 1) 1 log[ 1 / ] 1 1) log[ 1 1) /1 )] dan diskrepansi intrinsik antara p x ) dan p x ) dapat dinyatakan sebagai 1 K 1) 1,1 1) 1, ) n. K 1 ) yang lain

3 1 1 Dalam hal ini prior yang digunakan adalah prior Jeffry yaitu ) Beta, dan 1 1 reference posterior yang bersesuaian adalah x) Beta r, n r dengan r n x i i1. Selanjutnya diperoleh intrinsik statistik d, x), ) Beta r, n r d. 1) Jika statistik intrinsik yang dihitung menggunakan persamaan 1) berdasarkan sampel x lebih dari 5 maka terdapat bukti yang kuat untuk menolak H : = Bernardo, 9). 3. Studi Simulasi dan Pembahasan Apabila berdasarkan ukuran sampel n dan statisik cukup t, akan dilakukan pengujian hipotesis bahwa H : =, maka dapat ditentukan nilai statistik intrinsik yang dapat digunakan untuk ukuran penolakan hipotesis H. Apabila statistik intrinsik lebih besar 5 maka dipunyai bukti yang kuat untuk menolak hipotesis H. Pada Gambar 1 diberikan nilai statistik intrinsik untuk ukuran sampel n=1 dan statistik cukup t=1. Berdasarkan Gambar 1, dapat disimpulkan bahwa untuk ukuran sampel n=1 dan statistik cukup t =1, hipotesis H : = akan mempunyai nilai statistik intrinsik yang kecil jika dekat dengan,1 dan nilai statistik intrinsik akan makin membesar jika jauh dari,1. Interpretasi yang analog dapat dilakukan untuk hal yang serupa. Pada Gambar diberikan nilai statistik intrinsik untuk ukuran sampel n=1 dan statistik cukup t=, 4, 6, 8 berturut-turut untuk a), b), c ) dan d) serta,1). Demikian juga cara yang sama dapat dilakukan untuk n=3 dan statistik cukup t=6, 1, 18, 4 berturut-turut untuk a), b), c ) dan d) serta,1). Hasil dari penggunaan n=3 dapat dilihat pada Gambar 3. Terlihat jelas dari Gambar dan Gambar 3 bahwa makin besar ukuran sampel n dan untuk statistik cukup t yang bersesuaian maka akan semakin besar statistik intrinsik yang diperoleh. a) n=1,t=1, Ho : =, dalam,1) Gambar 1. Nilai statistik intrinsik jika diberikan usuran sampel n = 1 dan statistik cukup hipotesis nol H : = dengan,1). t=1 serta

4 a) n=1,t=, Ho : =, dalam,1) b) n=1, t=4, Ho : =, dalam,1) c) n=1, t=6, Ho : =, dalam,1) d) n=1, t=8, Ho : =, dalam,1) Gambar. Nilai statistik intrinsik jika diberikan usuran sampel n = 1 dan statistik cukup a) t=, b) t=4, c) t=6 dan d) t=8 serta hipotesis nol H : = dengan,1). a) n=3,t=6, Ho : =, dalam,1) b) n=3, t=1, Ho : =, dalam,1) c) n=3, t=18, Ho : =, dalam,1) d) n=3, t=4, Ho : =, dalam,1) Gambar 3. Nilai statistik intrinsik jika diberikan usuran sampel n = 3 dan statistik cukup a) t=6, b) t=1, c) t=18 dan d) t=4 serta hipotesis nol H : = dengan,1).

5 Histogram 1 nilai Gambar 4. Histogram B=1 nilai statistik intrinsik dari sampel yang digunakan untuk pengujian hipotesis H : =,1 jika sampel ukuran sampel ukuran n=1 dibangkitkan dari distribusi Bernoulli dengan parameter =,1. Simulasi dilakukan dengan cara membangkitkan sampel ukuran n = 1 yaitu x = x 1, x,..., x n ) dari distribusi Bernoulli dengan parameter =,1 sehingga akan diperoleh statistik cukup t n x i i 1. Berdasarkan n dan t maka dapat ditentukan nilai intrinsik statistik d untuk pengujian hipotesis H : =,1. Apabila hal ini diulang sebanyak bilangan besar B = 1 kali maka akan diperoleh histogram dari B nilai intrinsik statistik yang dinyatakan pada Gambar 4. Seperti yang diharapkan nilai-nilai intrinsik statistik akan cenderung kecil. Nilai-nilai statistik intrinsik tersebut mempunyai mean 1 dan simpangan baku,8653. Hanya,9 % dari nilai-nilai statistik intrinsik tersebut yang lebih dari 5. Apabila dilakukan pembangkitan sampel ukuran n=1 dari distribusi Bernoulli dengan parameter dengan a) =, b) =,4 c) =,6 dan d) =,8. Jika parameter yang digunakan untuk membangkitkan sampel dekat dengan,1 maka nilai-nilai intrinsik statistik cenderung kecil dan sebaliknya nilai-nilai intrinsik statistik akan cenderung besar jika parameter yang digunakan untuk membangkitkan sampel jauh dari,1.

6 a) =, b) =, c) =,6 d) =, Gambar 5. Histogram B=1 nilai statistik intrinsik dari sampel yang digunakan untuk pengujian hipotesis H : =,1 jika sampel ukuran sampel ukuran n=1 dibangkitkan dari distribusi Bernoulli dengan parameter a) =,, b) =,4, c) =,6, dan d) =,8. 4. Kesimpulan Metode Bayesian obyektif dalam pengujian hipotesis dalam kasus sampel dianggap berasal dari populasi yang berdistribusi Bernuolli telah dijelaskan di atas. Penelitian ini dapat diperluas untuk kasus distribusi-distribusi yang biasa dikenal baik yang mempunyai parameter nuisance maupun yang tidak. Daftar Pustaka [1] Bernardo, J. dan R. Rueda ) Bayesian Hypotesis Testing : A Reference Approach, International Statistical Review 7, [] Juarez, M. A. 4 ) Objective Bayesian Methods for Estimation and Hypothesis Testing, Valencia : University of Valencia. [3] Setiawan, A. 9a) Estimasi Titik Bayesian Obyektif, Prosiding Seminar Sains dan Pendidikan Sains IV FSM UKSW, Salatiga ISBN [4] Setiawan, A. 9b) Credible Interval Bayesian Obyektif, Prosiding Seminar Nasional Matematika, Universitas Katolik Parahyangan, Bandung ISSN

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro

Lebih terperinci

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6

Lebih terperinci

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl

Lebih terperinci

Prosiding ISBN :

Prosiding ISBN : Penggunaan Metode Bayesian Subyektif dalam Pengkonstruksian Grafik Pengendali-c Sekar Sukma Asmara a, Adi Setiawan b, Tundjung Mahatma c a Mahasiswa Program Studi Matematika Fakultas Sains Matematika Universitas

Lebih terperinci

RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT

RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711 e-mail

Lebih terperinci

Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik

Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Empirik S 6 Jantini Trianasari Natangku 1), Adi Setiawan ), Lilik Linawati ) 1) Mahasiswa Program Studi Matematika FSM-UKSW Email : n4n4_00190@yahoo.co.id

Lebih terperinci

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen

Lebih terperinci

Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap

Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap Dian Christiani Kabasarang a, Adi Setiawan b, Bambang Susanto c a,b,c Program Studi Matematika Fakultas Sains dan Matematika,

Lebih terperinci

Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus

Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus Ninuk Rahayu a, Adi Setiawan b, Tundjung Mahatma c a,b,c Program Studi Matematika Fakultas

Lebih terperinci

S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP

S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP Janse Oktaviana Fallo 1, Adi Setiawan 2, Bambang Susanto 3 1,2,3 Program Studi Matematika

Lebih terperinci

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6

Lebih terperinci

STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT

STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, Juni 0 STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT

Lebih terperinci

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711 PENENTUAN DISTRIBUSI SKEWNESS DAN KURTOSIS DENGAN METODE RESAMPLING BERDASAR DENSITAS KERNEL (STUDI KASUS PADA ANALISIS INFLASI BULANAN KOMODITAS BAWANG MERAH, DAGING AYAM RAS DAN MINYAK GORENG DI KOTA

Lebih terperinci

STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT

STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT Studi Kasus: Beberapa Kurs Mata Uang Asing Terhadap Rupiah Rangga

Lebih terperinci

PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP

PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP JdC, Vol. 1, No 1, 2012 PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP (Studi Kasus Pada Analisis Inflasi Bulanan Komoditas Beras, Cabe Merah Dan Bawang Putih Di Kota Semarang)

Lebih terperinci

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711 PENENTUAN DISTRIBUSI SKEWNESS DAN KURTOSIS DENGAN METODE RESAMPLING BERDASAR DENSITAS KERNEL (STUDI KASUS PADA ANALISIS INFLASI BULANAN KOMODITAS BAWANG MERAH, DAGING AYAM RAS DAN MINYAK GORENG DI KOTA

Lebih terperinci

Estimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR

Estimasi MCMC untuk Model GARCH(1,1) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 25 Estimasi MCMC untuk Model GARCH(,) Studi Kasus: Kurs beli JPY dan EUR terhadap IDR Fransisca Cynthia Salim ), Didit Budi Nugroho 2), Bambang

Lebih terperinci

Yudi Agustius, Adi Setiawan, Bambang Susanto

Yudi Agustius, Adi Setiawan, Bambang Susanto Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 18 Mei 2013 PENERAPAN METODE BOOTSTRAP PADA UJI KOMPARATIF NON PARAMETRIK 2 SAMPEL Studi

Lebih terperinci

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT Frangky Masipupu 1), Adi Setiawan ), Bambang Susanto 3) 1) Mahasiswa Program Studi Matematika ),3) Dosen Program Studi Matematika Program Studi dan Matematika

Lebih terperinci

GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK

GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK Jantini Trianasari Natangku ), Adi Setiawan 2), Lilik Linawati 2) ) Mahasiswa

Lebih terperinci

UJI VALIDITAS DAN UJI RELIABILITAS MENGGUNAKAN METODE BOOTSTRAP PADA DATA KUISIONER TIPE YES/NO QUESTIONS

UJI VALIDITAS DAN UJI RELIABILITAS MENGGUNAKAN METODE BOOTSTRAP PADA DATA KUISIONER TIPE YES/NO QUESTIONS PROSIDING SEMINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW UJI VALIDITAS DAN UJI RELIABILITAS MENGGUNAKAN METODE BOOTSTRAP PADA DATA KUISIONER TIPE YES/NO QUESTIONS Jesyca R. T. Muaja 1), Adi Setiawan

Lebih terperinci

S 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)

S 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto

Lebih terperinci

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika

Lebih terperinci

PROSIDING. Seminar Nasional Sains dan Pendidikan Sains IV Fakultas Sains dan Matematika UKSW 13 Juni 2009

PROSIDING. Seminar Nasional Sains dan Pendidikan Sains IV Fakultas Sains dan Matematika UKSW 13 Juni 2009 PROSIDING Seminar Nasional Sains dan Pendidikan Sains IV Fakultas Sains dan Matematika UKSW 13 Juni 2009 Pembelajaran Sains yang Menarik dan Menantang Diterbitkan Oleh: Fakultas Sains dan Matematika Universitas

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika

Lebih terperinci

S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS

S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS Stevvileny Angu Bima 1, Adi Setiawan 2, Tundjung Mahatma 3 1) Mahasiswa

Lebih terperinci

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK

ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika

Lebih terperinci

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,

Lebih terperinci

Kinerja Metode Pengujian Dua Populasi Berdistribusi Log-Logistik yang Mengandung Pengamatan Tidak Terdeteksi

Kinerja Metode Pengujian Dua Populasi Berdistribusi Log-Logistik yang Mengandung Pengamatan Tidak Terdeteksi Statistika, Vol. 15 No. 1, 31 37 Mei 2015 Kinerja Metode Pengujian Dua Populasi Berdistribusi Log-Logistik yang Mengandung Tidak Terdeteksi Program Studi Statistika Unisba Bandung Email: aceng.k.mutaqin@gmail.com

Lebih terperinci

PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING

PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING Bidang Kajian : Statistika PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING Stevvileny Angu Bima 1), Adi Setiawan 2), Tundjung Mahatma 3) 1) Mahasiswa Program

Lebih terperinci

Prosiding Seminar Nasional Sains dan Pendidikan Sains VIII, Fakultas Sains dan Matematika, UKSW Salatiga, 15 Juni 2013, Vol 4, No.

Prosiding Seminar Nasional Sains dan Pendidikan Sains VIII, Fakultas Sains dan Matematika, UKSW Salatiga, 15 Juni 2013, Vol 4, No. PENERAPAN METODE BOOTSTRAP PADA UJI KOMPARATIF NON PARAMETRIK LEBIH DARI SAMPEL Studi Kasus: Inflasi di Kota Purwokerto, Surakarta, Semarang, dan Tegal Tahun 003-01 Yudi Agustius 1), Adi Setiawan ), Bambang

Lebih terperinci

ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)

ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika

Lebih terperinci

PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X

PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X Oleh : Jantini Trianasari Natangku 662008002 TUGAS AKHIR Diajukan

Lebih terperinci

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES

MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES MENAKSIR PARAMETER µ DARI N( µ, ) DENGAN METODE BAYES Hartayuni Saini 1 1 Jurusan Matematika, FMIPA-UNTAD. e-mail: yunh3_chendist@yahoo.co.id Abstrak Untuk menaksir nilai µ dari N(µ, ) umumnya digunakan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Salatiga, 5 Juni 23, Vol 4, No., ISSN:287 922 ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip 2), dan Bambang Susanto 3) ) Mahasiswa Program Studi

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Estimasi minimax adalah suatu upgrade pendekatan non-klasik (upgraded non-classical approach) dalam bidang estimasi inferensi statistik yang diperkenalkan oleh Abraham

Lebih terperinci

KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3

KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3 JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN

Lebih terperinci

ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT

ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT ESTIMASI MCMC UNTUK RETURN VOLATILITY DALAM MODEL ARCH DENGAN RETURN ERROR BERDISTRIBUSI T-STUDENT Imam Malik Safrudin. 1), Didit Budi Nugroho 2) dan Adi Setiawan 2) 1),2), 3) Program Studi Matematika

Lebih terperinci

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E

PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

II. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E

II. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E 5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah

Lebih terperinci

BAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer

BAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat

Lebih terperinci

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel

LANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel 5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor

Lebih terperinci

ISBN:

ISBN: PROSIDING SEMINAR NASIONAL P e n e l i t i a n, P e n d i d i k a n, d a n P e n e r a p a n M I P A Tanggal 8 Mei 03, FMIPA UNIVERSITAS NEGERI YOGYAKARTA ISBN: 978 979-96880 7 - Bidang: Matematika dan

Lebih terperinci

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT S-3 PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT Frangky Masipupu 1), Adi Setiawan ), Bambang Susanto 3) 1) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika Program

Lebih terperinci

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN

ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated

Lebih terperinci

STATISTIKA MATEMATIKA

STATISTIKA MATEMATIKA STATISTIKA MATEMATIKA Penulis: Prof. Subanar, Ph.D Edisi Pertama Cetakan Pertama, 2013 Hak Cipta 2013 pada penulis, Hak Cipta dilindungi undang-undang. Dilarang memperbanyak atau memindahkan sebagian atau

Lebih terperinci

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol

BAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel

Lebih terperinci

PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) CONSTRUCTION OF CONTROL CHART AND SIMULATION STUDY BASED ON PRINCIPAL COMPONENT ANALYSIS

Lebih terperinci

Sanksi Pelanggaran Pasal 72 Undang-undang Nomor 19 Tahun 2002 Perubahan atas Undang-undang Nomor 7 Tahun 1987 Perubahan atas Undang-undang Nomor 6

Sanksi Pelanggaran Pasal 72 Undang-undang Nomor 19 Tahun 2002 Perubahan atas Undang-undang Nomor 7 Tahun 1987 Perubahan atas Undang-undang Nomor 6 INFERENSI BAYESIAN Sanksi Pelanggaran Pasal 72 Undang-undang Nomor 19 Tahun 2002 Perubahan atas Undang-undang Nomor 7 Tahun 1987 Perubahan atas Undang-undang Nomor 6 Tahun 1982 Tentang Hak Cipta 1. Barang

Lebih terperinci

BAB II TINJAUAN TEORITIS. Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu

BAB II TINJAUAN TEORITIS. Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu BAB II TINJAUAN TEORITIS 2.1 Pendahulauan Menurut Darnius, O (2006, Hal : 53) simulasi dapat diartikan sebagai suatu rekayasa suatu model logika ilmiah untuk melihat kebenaran/kenyataan model tersebut.

Lebih terperinci

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process

Pemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi

Lebih terperinci

BAB 2 LANDASAN TEORI. Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S.

BAB 2 LANDASAN TEORI. Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S. BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S. Tiap hasil dalam ruang sampel disebut

Lebih terperinci

PENDAHULUAN A. LATAR BELAKANG MASALAH

PENDAHULUAN A. LATAR BELAKANG MASALAH PENDAHULUAN A. LATAR BELAKANG MASALAH Dalam pelaksanaan pembelajaran selalu ditemui evaluasi-evaluasi untuk menguji tingkat pemahaman terhadap suatu bahan yang dipelajari. Evaluasi-evaluasi ini tidak boleh

Lebih terperinci

BAB II MAKALAH Makalah 1 :

BAB II MAKALAH Makalah 1 : BAB II MAKALAH Makalah 1 : Analisis penilaian kinerja karyawan menggunakan Fuzzy Linear Programming (FLP). Dipresentasikan dalam Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA 2013 yang diselenggarakan

Lebih terperinci

statistika untuk penelitian

statistika untuk penelitian statistika untuk penelitian Kelompok Ilmiah Remaja (KIR) Delayota Experiment Team (D Expert) 2013 Freeaninationwallpaper.blogspot.com Apa itu Statistika? Statistika adalah ilmu yang mempelajari cara pengumpulan,

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.

Lebih terperinci

PROSIDING ISBN: 979-9458-13-7. Seminar Nasional Sains dan Pendidikan Sains -.. Editor : «cpem6efajaran Sains yano 9denari{ dan 9denantano"

PROSIDING ISBN: 979-9458-13-7. Seminar Nasional Sains dan Pendidikan Sains -.. Editor : «cpem6efajaran Sains yano 9denari{ dan 9denantano ISBN: 979-9458-13-7 PROSIDING Seminar Nasional Sains dan Pendidikan Sains -.. «cpem6efajaran Sains yano 9denari{ dan 9denantano" Editor : Dr. Fer dy 5. Rondonuwu, S.Pd., M.Sc. Dr. A. lgn. Kristijanto,

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Estimasi reliabilitas adalah estimasi yang menggambarkan sebuah taksiran terhadap suatu komponen tertentu, dimana dan adalah variabel random yang independen dengan

Lebih terperinci

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI

INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT. Oleh : ADE CANDRA SISKA NIM: J2E SKRIPSI INFERENSI STATISTIK DISTRIBUSI BINOMIAL DENGAN METODE BAYES MENGGUNAKAN PRIOR KONJUGAT Oleh : ADE CANDRA SISKA NIM: J2E 006 002 SKRIPSI Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains Pada

Lebih terperinci

BAB II MAKALAH. Analytic Hierarchy Process (AHP) Dipresentasikan : Seminar Nasional Matematika yang diselenggarakan oleh.

BAB II MAKALAH. Analytic Hierarchy Process (AHP) Dipresentasikan : Seminar Nasional Matematika yang diselenggarakan oleh. BAB II MAKALAH Makalah I. Judul : Pengambilan Keputusan untuk Penilaian Kinerja Menggunakan Analytic Hierarchy Process (AHP) Dipresentasikan : Seminar Nasional Matematika yang diselenggarakan oleh Fakultas

Lebih terperinci

UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR

UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR PYTHAGORAS, 6(2): 161-166 Oktober 2017 ISSN Cetak: 2301-5314 UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR Hermansah

Lebih terperinci

Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998

Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998 Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998 Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya

Lebih terperinci

Statistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data

Statistik Dasar. 1. Pendahuluan Persamaan Statistika Dalam Penelitian. 2. Penyusunan Data Dan Penyajian Data Statistik Dasar 1. Pendahuluan Persamaan Statistika Dalam Penelitian 2. Penyusunan Data Dan Penyajian Data 3. Ukuran Tendensi Sentral, Ukuran Penyimpangan 4. Momen Kemiringan 5. Distribusi Normal t Dan

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati

Lebih terperinci

LANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu.

LANDASAN TEORI. Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. II. LANDASAN TEORI Distribusi Gamma adalah salah satu keluarga distribusi probabilitas kontinu. Distribusi ini merupakan distribusi fungsi padat yang terkenal luas dalam bidang matematika. Distribusi gamma

Lebih terperinci

STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR

STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN

Lebih terperinci

Kontrak Kuliah Metode Statistika 2

Kontrak Kuliah Metode Statistika 2 Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi

Lebih terperinci

BAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1.

BAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1. 11 BAB III UJI STATISTIK DAN SIMULASI 3.1 Interval Kepercayaan Sebuah interval kepercayaan terdiri dari berbagai nilai-nilai bersama-sama dengan persentase yang menentukan seberapa yakin bahwa parameter

Lebih terperinci

FUZZY LINEAR PROGRAMMING DENGAN FUNGSI KEANGGOTAAN KURVA-S UNTUK PENILAIAN KINERJA KARYAWAN

FUZZY LINEAR PROGRAMMING DENGAN FUNGSI KEANGGOTAAN KURVA-S UNTUK PENILAIAN KINERJA KARYAWAN FUZZY LINEAR PROGRAMMING DENGAN FUNGSI KEANGGOTAAN KURVA-S UNTUK PENILAIAN KINERJA KARYAWAN Astuti Irma Suryani ), Lilik Linawati 2) dan Hanna A. Parhusip 2) ) Mahasiswa Program Studi Matematika FSM UKSW

Lebih terperinci

PROSIDING ISBN: Seminar Nasional Sains dan Pendidikan Sains -.. Editor : «cpem6efajaran Sains yano 9denari{ dan 9denantano"

PROSIDING ISBN: Seminar Nasional Sains dan Pendidikan Sains -.. Editor : «cpem6efajaran Sains yano 9denari{ dan 9denantano ISBN: 979-9458-13-7 PROSIDING Seminar Nasional Sains dan Pendidikan Sains -.. «cpem6efajaran Sains yano 9denari{ dan 9denantano" Editor : Dr. Fer dy 5. Rondonuwu, S.Pd., M.Sc. Dr. A. lgn. Kristijanto,

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel

Lebih terperinci

PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO

PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 Makalah dalam prosiding ini telah dipresentasikan pada Seminar Nasional Statistika Universitas Diponegoro tanggal 21Mei 2011 di Gedung

Lebih terperinci

PERBANDINGAN BERGANDA SESUDAH UJI KRUSKAL-WALLIS

PERBANDINGAN BERGANDA SESUDAH UJI KRUSKAL-WALLIS PERBANDINGAN BERGANDA SESUDAH UJI KRUSKAL-WALLIS S - 30 Tanti Nawangsari Prodi Pendidikan Matematika FKIP UNIROW Tuban Jl. Manunggal 61 Tuban Email: nawangsarit@yahoo.com Abstrak Salah satu metode statistika

Lebih terperinci

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS

SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.

Lebih terperinci

LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL

LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL Disusun oleh: Bekti Wulan Sari 11/318052/PN/12374 LABORATORIUM TEKNOLOGI IKAN JURUSAN PERIKANAN FAKULTAS PERTANIAN UNIVERSITAS

Lebih terperinci

ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES

ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES ESTIMASI PARAMETER MODEL INAR(1) MENGGUNAKAN METODE BAYES oleh NURMALITASARI M0106054 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Situasi lingkungan internal dan eksternal perbankan mengalami perkembangan pesat yang diikuti dengan semakin kompleksnya risiko kegiatan usaha perbankan sehingga

Lebih terperinci

ANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE

ANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE ANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KABUPATEN KARANGANYAR DENGAN PENDEKATAN BAYESIAN Titian Peramu Cahyani, Sri Subanti dan Purnami Widyaningsih Jurusan Matematika Fakultas Matematika

Lebih terperinci

PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA

PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Saintia Matematika Vol. 1, No. 3 (2013), pp. 299 312. PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Raini Manurung, Suwarno Ariswoyo, Pasukat Sembiring Abstrak.

Lebih terperinci

BAB IV DESKRIPSI DAN ANALISIS DATA. evaluasi akhir pada materi Sistem Persamaan Linear Dua Variabel (SPLDV).

BAB IV DESKRIPSI DAN ANALISIS DATA. evaluasi akhir pada materi Sistem Persamaan Linear Dua Variabel (SPLDV). 40 BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Data Data hasil penelitian ini berupa data kuantitatif, yaitu berupa skor tes evaluasi akhir pada materi Sistem Persamaan Linear Dua Variabel (SPLDV).

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK PROSIDING SEINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW ANALISA SAHA ENGGUNAKAN RANSFORASI FOURIER SOKASIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) ahasiswa Program

Lebih terperinci

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan

Lebih terperinci

ESTIMASI. Arna Fariza PENDAHULUAN

ESTIMASI. Arna Fariza PENDAHULUAN ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik

Lebih terperinci

Program Studi Matematika

Program Studi Matematika Model Volatilitas ARCH(1) untuk Returns dengan Error Berdistribusi non-central Student-t dan Skewed Student-t Studi Kasus: Pasar Valuta Asing Indonesia ARCH(1) Volatility Models for Returns with non-central

Lebih terperinci

PowerPoint Slides by Yana Rohmana Education University of Indonesian

PowerPoint Slides by Yana Rohmana Education University of Indonesian PowerPoint Slides by Yana Rohmana Education University of Indonesian Chapter 2007 Laboratorium 1 Ekonomi & Koperasi Publishing Jl. Dr. Setiabudi 229 Bandung, Telp. 022 2013163-2523 Hal-hal yang akan dipelajari:

Lebih terperinci

BAB I PENDAHULUAN. hubungan antara dua variabel yang terdiri dari variabel tak bebas (Y ) dengan

BAB I PENDAHULUAN. hubungan antara dua variabel yang terdiri dari variabel tak bebas (Y ) dengan BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi adalah metode statistika yang paling sering digunakan dalam segala bidang ilmu pengetahuan, analisis ini bertujuan untuk memodelkan hubungan antara

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Distribusi Normal Salah satu distribusi frekuensi yang paling penting dalam statistika adalah distribusi normal. Distribusi normal berupa kurva berbentuk lonceng setangkup yang

Lebih terperinci

Kinerja Metode Perhitungan Premi Program Asuransi Usaha Tani Padi di Indonesia

Kinerja Metode Perhitungan Premi Program Asuransi Usaha Tani Padi di Indonesia Statistika, Vol. 16 No. 1, 41 45 Mei 2016 Kinerja Metode Perhitungan Premi Program Asuransi Usaha Tani Padi di Indonesia Program Studi Statistika, Universitas Islam Bandung Jl. Ranggamalela No. 1 Bandung

Lebih terperinci

Ayundyah Kesumawati. April 27, 2015

Ayundyah Kesumawati. April 27, 2015 Kesumawati Prodi Statistika FMIPA-UII April 27, 2015 Estimasi interval Jika diperhatikan, terdapat kesamaan rumus-rumus yang dipakai pada saat pengujian hipotesis dan pendugaan selang kepercayaan. Untuk

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini diberikan beberapa konsep dasar seperti teorema dan beberapa definisi sebagai landasan dalam penelitian ini. Konsep dasar ini berkaitan dengan masalah yang dibahas dalam

Lebih terperinci

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL

ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id

Lebih terperinci

(ESTIMASI/ PENAKSIRAN)

(ESTIMASI/ PENAKSIRAN) ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun

Lebih terperinci

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT Frangky Masipupu 1), Adi Setiawan ),Bambang Susanto 3) 1) Mahasiswa Program Studi Matematika ),3) Dosen Program Studi Matematika Fakultas Sains dan Matematika

Lebih terperinci

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU

MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam teori probabilitas dan statistika, distribusi Binomial adalah distribusi probabilitas diskrit jumlah keberhasilan dalam n percobaan ya/tidak(berhasil/gagal)

Lebih terperinci

DISTRIBUSI VARIABEL RANDOM

DISTRIBUSI VARIABEL RANDOM DISTRIBUSI VARIABEL RANDM Distribusi Variabel Diskrit Distribusi variabel diskrit adalah salah satu variabel acak yang diasumsikan memiliki bilangan terbatas dari nilai-nilai yang berbeda. Contoh : Waktu

Lebih terperinci

PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG

PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 35-39 ISSN: 2303-1751 PENERAPAN METODE PENDUGAAN AREA KECIL (SMALL AREA ESTIMATION) PADA PENENTUAN PROPORSI RUMAH TANGGA MISKIN DI KABUPATEN KLUNGKUNG PUTU

Lebih terperinci

PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK

PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK Oleh: Kristoforus Ardha Sandhy Pradhitya NIM : 662008001 TUGAS AKHIR Diajukan kepada Program Studi Matematika, Fakultas Sains dan Matematika

Lebih terperinci