Kredibilitas dengan Pendekatan Bühlmann

Ukuran: px
Mulai penontonan dengan halaman:

Download "Kredibilitas dengan Pendekatan Bühlmann"

Transkripsi

1 Kedblas dega Pedekaa Bühlma Isada Slame da Ksa Naala Juusa Maemaka FMIPA UNS Absak Teo kedblas meupaka poses pembuaa a oleh akuas uuk melakuka peyesuaa pem d masa depa meuu pegalama masa lampau. Pada eo kedblas edapa ga pedekaa uuk meeuka pekaa kedblas C Z + ( Z) μ. Salah sau pedekaa yau kedblas keakuaa ebesa dega megguaka model Bühlma. Bühlma medeska ako kedblas Z sebaga beku 0 Z Z + K, dega, dmaa meyaaka bayak pecobaa da K dsebu paamee kedblas Bühlma. Tujua dalam peulsa adalah meeuka pekaa kedblas dega megguaka model Bühlma da megesmas paamee-paamee da kedblas Bühlma. Meode yag dguaka dalam peulsa skps adalah sud leau. Bedasaka hasl pembahasa dpeoleh kesmpula bahwa dalam meeuka pekaa kedblas megguaka kedblas Bühlma, melbaka peeapa aalss da vaas, yau meghug la haapa da vaas poses da vaas da aa-aa yag dduga. Paamee-paamee kedblas Bühlma desmas bedasaka daa emps yag dama. Kaa kuc: kedblas, Bühlma. PENDAHULUAN Akuas megguaka pegamaa-pegamaa da kejada yag ejad d masa lampau uuk mempedks baya-baya d masa depa. Teo kedblas adalah poses pembuaa a oleh akuas uuk melakuka peyesuaa pem d masa depa, meuu pegalama masa lampau. Meuu Dea da Howad (006), ada ga pedekaa yag dapa dguaka uuk meeuka ako kedblas, yau model kedblas klask yag dsebu juga sebaga pedekaa kedblas lukuas ebaas (lmed lucuao cedbly appoach), pedekaa kedblas keakuaa ebesa (geaes accuacy cedbly appoach) da aalss Bayesa. Pada pedekaa kedblas keakuaa ebesa edapa dua model, yau model Bühlma da model Bühlma-Saub. Dalam peulsa dlakuka kaj ulag kedblas keakuaa ebesa dega model Bühlma uuk meeuka pekaa kedblas da meeuka peduga da paamee-paamee kedblas Bühlma.. PEMBAHASAN Deu e al. (00) meyaaka bahwa pemasalaha yag mucul dalam pakek asuas adalah bagamaa megguaka pegalama uuk meeuka pem d masa yag aka daag, dega meghug buka haya pegalama dvdual saja, eap juga pegalama kolek. Hal membulka dua kemugka besa. Peama, membeba pem yag sama kepada seap oag, yag dduga dega aa-aa keseluuha daa, μ. Dpeseaska dalam Sema Nasoal MIPA 007 dega ema Pegkaa Kepoesoala Peel, Peddk & Paks MIPA yag dseleggaaka oleh Fakulas MIPA UNY Yogyakaa pada aggal 5 Agusus 007

2 Isada S, Ksa N Kemugka kedua yau membeba kelompok dega aa-aa klam sed,, sebaga pem. Sebuah kompom yag ejad sejak awal abad 0, yag meyaaka pem sebaga aaaa bobo da kedua kemugka esebu, yau C Z + ( Z) μ. Fako Z meyaaka sebeapa besa epecayaya pegalama peseoaga da kelompok esebu. Fako Z dsebu juga ako kedblas da C dsebu pekaa kedblas. Hezog (996) meyaaka sebuah alea pedekaa yag dak memeluka omas awal uuk meghug ako kedblas Z dkeal sebaga kedblas Bühlma, uuk meghoma Has Bühlma sebaga pegusulya. Bühlma medeska ako kedblas Z sebaga dega 0 Z Z, + K (.). Pada pesamaa (.), meyaaka bayak pecobaa da K meyaaka paamee kedblas Bühlma, dumuska sebaga K la haapa da vaas poses. vaas da aa aa yag dduga (.) Peghuga la K melbaka peeapa aalss da vaas, yau meghug la haapa da vaas poses da vaas da aa-aa yag dduga.. Nla Haapa da Vaas Poses Hezog (996) meyaaka bahwa secaa umum vaas poses meujuk kepada vaas ekues, gka kegawaa aau jumlah klam keseluuha pada kombas dvdual da kaakesk-kaakesk sko. Oleh kaea u, vaas poses adalah vaas besyaa, dega dbeka kombas da kaakesk-kaakesk sko. x Pegamaa selama waku da sebuah aau sekelompok sko dlambagka dega, yag meupaka obsevas da vaabel adom, dega blaga bula. Rsko dvdual adalah aggoa da sebuah populas yag besa da kaakesk-kaakesk da sko dvdual dcka oleh paamae sko θ. Paamee sko dasumska dak dkeahu dsbus populasya da vaabel adomya dlambagka. Dsbus da vaabel adom egaug pada la θ ; ( ). Jka adalah vaabel adom x θ kou, vaas besyaa da jka dbeka θ adalah Va [ θ ] E ( [( μ( θ )) μ( θ )) θ ] ( x θ ) dx σ ( θ ). 64 Sema Nasoal MIPA 007

3 M : Kedblas dega Pedekaa Bühlma da Vaas dsebu vaas poses uuk sko yag eplh. Vaas dak besyaa, juga dkeal sebaga oal vaas, yag dumuska sebaga Va ] Va [ E [ ]] + E [ Va [ ]]. (.) [ Pesamaa (.) dapa duls sebaga beku Vaas da Toal Vaas + aa aa yag dduga Nla haapa. da vaas poses Nla haapa da vaas poses (EPV) dsmbolka sebaga beku v E [ Va [ ]] E [ σ ( Nla haapa da vaas poses meujukka vaablas la haapa da pegamaa yag dlakuka pada sko dvdual. )].. Vaas da Raa-Raa yag Dduga Secaa umum, aa-aa yag dduga meujuk kepada la aa-aa ekues, gka kegawaa, aau jumlah klam keseluuha pada kombas dvdual da kaakeskkaaesk sko. Raa-aa yag dduga adalah la haapa besyaa, dega dbeka kombas da kaakesk-kaakesk sko (Hezog, 996). Jka adalah vaabel adom kou, aa-aa uuk jka dbeka adalah la haapa besyaa sebaga beku Jka E [ θ ] x ( x θ ) dx μ( θ ). adalah vaabel adom dsk, maka la haapa besyaa mejad E θ ). [ ] x ( x θ x θ, Raa-aa dsebu sebaga aa-aa yag dduga, da doaska dega μ ( θ ) N N + θ ] E [ θ ] K E [ θ ] E [ K. Paamee sko yag dwakl oleh vaabel adom mempuya ugs desas pobablas (dp), (θ ). Jka dua sko mempuya paamee yag sama, yau θ, maka kaakesk-kaakesk skoya dasumska sama da mempuya aa-aa yag sama, yau μ (θ ). Nla haapa dak besyaa da sebaga beku Maemaka 65

4 Isada S, Ksa N E[ ] E, [ x ( x θ ) dx ] x [ μ( θ )] μ. ( x, θ ) dx dθ x ( x ( θ ) dθ E θ ) [ E x [ ( θ ) dx dθ ]] Vaas da aa-aa yag dduga adalah ukua pebedaa aa aa-aa da sko pada populas, da dlambagka sebaga beku a Va [ μ( )] E [( μ( ) μ) ].. Fako Kedblas Bühlma Kedblas Bühlma memeluka peghuga la da paamee kedblas Bühlma, K, supaya dapa meeuka ako kedblas yag elah ddeska pada pesamaa (.). Tk awal peghuga K adalah kombas dvdual da kaakeskkaakesk sko. Uuk seap kombas da kaakesk-kaakesk sko, pedekaa la haapa da vaas dapa dhug, da la K juga dapa deuka sesua dega pesamaa (.).Fako kedblas yag dpeoleh aka dguaka uuk meeuka pekaa kedblas yag dgka, dega pekaa kedblas dumuska sebaga C Z + ( Z) μ..4 Esmas Paamee-Paamee Kedblas Bühlma Pada pakekya EPV da VHM segkal dak dkeahu. Esmas EPV da VHM dapa dbua da obsevas-obsevas emps sampel da populas sko. Model Bühlma megasumska bahwa uuk seap esko yag dbeka vaabel adom {,, K, } meggambaka hasl yag mugk uuk pegamaa yag bebeda, aka salg bebas da bedsbus sama, sea mempuya aa-aa da vaas yag sama. Hasl yag mugk uuk sko-sko yag bebeda juga salg bebas. Pada sampel daggap edapa sko da obsevas da seap sko. Peduga ak bas uuk seap aa-aa esko μ ( θ ) dyaaka dega da peduga ak bas uuk seap poses vaas esko σ ( ) dyaaka dega σˆ. Vaas θ poses da sampel σˆ dapa dkombaska uuk meghaslka pekaa ak bas uuk la haapa da vaas poses pada populas. Sehgga esmas la haapa da vaas poses adalah vˆ ˆ σ ( ( ) ). (.4) 66 Sema Nasoal MIPA 007

5 M : Kedblas dega Pedekaa Bühlma Peduga ak bas uuk seap mea sko-sko dguaka uuk megesmas vaas da aa-aa yag dduga. Kaea sko salg bebas, maka adalah vaabel adom yag salg bebas. Peduga ak bas uuk vaas da adalah Va ˆ [ ] ( ), (.5) dega. Rumus oal vaas meyaaka bahwa Va[ ] Va [ E [ ]] + E[ Va [ ]]. (.6) Kaea E ( θ ) μ( θ ) da Va [ σ ( θ ) θ ] Va θ Va [ θ ]. Pesamaa (.6) dapa duls kembal sebaga Va [ Va [ μ ( )] + E [ σ ( )] (.7) ] / Noas peama yag beada d sebelah kaa pesamaa (.7) dsebu VHM da oas kedua adalah EPV/. Pesamaa (.7) dapa duls kembal sebaga a Va[ ] v /. (.8) Subuska pesamaa (.4) da pesamaa (.5) ke dalam pesamaa (.8). Sehgga, peduga ak bas da VHM adalah aˆ Va ˆ [ ] vˆ / Rumus peduga ( ) ( ) ( ). (.9) â pada pesamaa (.9) mempelhaka V a ˆ [ ] dkuag v ˆ /. Peguaga dapa megakbaka â bela ega. Oleh kaea vaas hauslah oega, jka dpeoleh â ega maka la â esebu dapa dasumska ol. Peduga da paamee kedblas Bühlma adalah v Kˆ ˆ, aˆ da peduga da ako kedblas yau Maemaka 67

6 Isada S, Ksa N Zˆ + Kˆ. Oleh kaea u, peduga da pekaa kedblas yag dgka yau Cˆ Zˆ + ( Zˆ)..5 Cooh Aplkas.5. Cooh Aplkas Model Bühlma Dea da Howad (006) membeka cooh aplkas model Bühlma uuk meca ekues, gka kegawaa, da pem mu, dega omas daa dbeka dalam Tabel. beku. Tabel. Iomas Daa Fekues, Tgka Kegawaa da Pem Mu Tpe Popos sko Fekues bedsbus Tgka kegawaa Beoull bedsbus gamma 50% p 40% α 4, λ. 0 0% p 70% α, λ. 0 0% p 80% α, λ. 0 Tpe-pe dasumska homoge, yag bea seap eaggug da pe yag dbeka mempuya ekues da poses gka kegawaa yag sama. Uuk eaggug dvdual dasumska ekues da gka kegawaa salg bebas. Teaggug dambl secaa adom da pe yag dak dkeahu. Teaggug yag eplh secaa adom esebu selama empa ahu mempuya obsevas ga klam dega oal $450. Kedblas Bühlma dguaka uuk mempedks ekues, gka kegawaa, da pem mu d masa yag aka daag da eaggug esebu. Peyelesaa. Peghuga esmas yag dgka dmula da kasus yag lebh mudah yau ekues, kemuda gka kegawaa, da pem mu yag meupaka kasus yag lebh kompleks. yau 4.. Kasus Fekues Jumlah pegamaa pada kasus ekues adalah waku ejadya klam, da besaya a. Meeuka la haapa da vaas poses 68 Sema Nasoal MIPA 007

7 M : Kedblas dega Pedekaa Bühlma Fekues dkeahu bedsbus Beoull dega vaas sebaga beku. σ p q p ( p). (.0) Bedasaka pesamaa (.0) vaas poses da ekues Beoull uuk seap pe adalah σ (0.4)( 0.4) 0.4, σ (0.7)( 0.7) 0., σ (0.8)( 0.8) 0.6. Nla haapa da vaas poses adalah aa-aa bobo vaas poses da pepe dvdual, dega pobablas awal sebaga bobo maka besa la haapa da vaas poses (EPV) pada kasus ekues yau v ( 50%) (0.4) + (0%) (0.) + (0%) (0.6) 0.5. b. Meeuka vaas da aa-aa yag dduga Mome peama da ekues yau E [ ] (50%)(0.4) + (0%)(0.7) + (0%)(0.8) 0.57, (.) da mome kedua yau E [ ] (50%) (0.4 ) + (0%) (0.7 ) + (0%) (0.8 ) (.) Oleh kaea u, dega pesamaa (.) da (.) dapa deuka besaya vaas da aa-aa yag dduga yau a E[ ] E[ ] c. Meghug K, ako kedblas da pekaa kedblas Meuu pesamaa (.) besa K da kasus ekues yau v 0.5 K 7.4. a 0.00 Pesamaa (.) meyaaka besaya ako kedblas yag dpeoleh sebaga 4 4 Z Besaya obsevas ekues adalah / da aa-aa awal ekues adalah μ E[ ] Oleh kaea u, pekaa kedblas uuk ekues d masa yag aka daag yau C Z + ( Z) μ (0.59)(0.75) + ( 0.59)(0.57) Maemaka 69

8 Isada S, Ksa N. Kasus gka kegawaa Pada kasus gka kegawaa, yag dama adalah bayakya klam yag ejad, maka jumlah pegamaa yau. a. Meeuka la haapa da vaas poses Tgka kegawaa bedsbus Gamma ( / λ, α ). Besaya vaas poses yau Uuk pe, σ α / λ 4 / ,000. Uuk pe, σ / 0.0 0,000. Uuk pe, σ / 0.0 0,000. Raa-aa ekues yau 0.4, 0.7, da 0.8. Nla awal pada seap pe yau 50%, 0%, da 0%. Maka, besa bobo yag aka dguaka dalam peghuga la haapa da vaas poses yau (0.4) (50%) 0., (0.7) (0%) 0., da (0.8) (0%) 0.6. Sehgga, la haapa da vaas poses pada gka kegawaa yau v {(0.) (40,000) + (0.) (0,000) + (0.6) (0,000)}/( ) 0,70. b. Meeuka vaas da aa-aa yag dduga Vaas da aa-aa yag dduga pada gka kegawaa peghugaya sama dega vaas yag laya. Peama, hug mome peamaya yau {(0.) (400) + (0.) (00) + (0.6) (00)}/( ) Kemuda hug mome keduaya yau {(0.) (400 ) + (0.) (00 ) + (0.6) (00 )}/( ) 00,56. Sehgga, besaya vaas da aa-aa yag dduga pada gka kegawaa yau a 00, ,65. c. Meghug K, ako kedblas da pekaa kedblas Besa K pada kasus gka kegawaa yau v K a 0,70 6,65 Fako kedblas dpeoleh sebaga beku Z Obsevas gka kegawaa yau $450 / $50 da aa-aa awal yau $07. Sehgga, pekaa kedblas uuk gka kegawaa d masa yag aka daag yau C ( 0.8) (50) + ( 0.8) (07) $ Sema Nasoal MIPA 007

9 M : Kedblas dega Pedekaa Bühlma. Kasus Pem Mu Jumlah pegamaa pada kasus pem mu yau 4. a. Meeuka la haapa da vaas poses Pem mu adalah poduk da ekues da gka kegawaa. Vaas poses da seap pe adalah sebaga beku. Uuk pe, σ (0.4) (40,000) + (400) (0.4) 54,400. Uuk pe, σ (0.7) (0,000) + (00) (0.) 9,900. Uuk pe, σ (0.8) (0,000) + (00) (0.6),400. Oleh kaea u, la haapa da vaas poses uuk pem mu yau v ( 50%)(54,400) + (0%)(9,900) + (0%)(,400) 4,650. b. Meeuka vaas da aa-aa yag dduga Peghuga vaas da aa-aa yag dduga pada pem mu mp peghuga pada ekues, dega besa aa-aa pem mu yau (aa-aa ekues) (aa-aa gka kegawaa). Raa-aa pem mu uuk seap pe yau Tpe, aa-aa pem mu (0.4) (400) 60. Tpe, aa-aa pem mu (0.7) (00) 0. Tpe, aa-aa pem mu (0.8) (00) 60. Mome peama uuk pem mu yau (50%) (60) + (0%) (0) + (0%) (60) 75, da mome kedua uuk pem mu yau (50%) (60) + (0%) (0) + (0%) (60),50. Jad, besaya vaas da aa-aa yag dduga pada pem mu yau a, c. Meghug K, ako kedblas da pekaa kedblas Pada pem mu besaya K yau v K a Sehgga besaya ako kedblas yau 4, Z Obsevas pem mu yau $450/4 $.5 da aa-aa awal yau $75. Sehgga, pekaa kedblas pem mu d masa yag aka daag yau C ( 0.046) (.5) + ( 0.046) (75) $7..5. Cooh Aplkas Esmas Paamee Kedblas Maemaka 7

10 Isada S, Ksa N Sebuah peusahaa asuas mempuya dua kelompok pols pegga keuga paa pekeja. Jumlah klam keseluuha (dalam juaa dolla) uuk ga ahu peama pols dgkas dalam Tabel.. Model Bühlma dguaka uuk megesmas jumlah klam kumpula selama ahu keempa pols uuk masg-masg dua kelompok pols (Hezog, 996). Peyelesaa Tabel. Jumlah Klam Keseluuha Jumlah klam keseluuha Kelompok Tahu pols pols 5 8 Dkeahu bahwa edapa dua kelompok pols da ga ahu pegalama daa da masg-masg pols, maka dpeoleh da. Veko klam pegamaa uuk kedua pols yau x ( x, x, x) (5,8,) da x x, x, x ) (,,). ( Raa-aa da kedua veko yau x x j j + + da x x j. da j Esmas aa-aa keseluuha (aa-aa awal) yau x x Vaas poses masg-masg pols yau ˆ σ ( x j x) [(5 8) + (8 8) + ( 8) ] 9 j ˆ σ ( x j x ) [( ) + ( ) + ( ) ]. j Esmas la haapa da vaas poses yau vˆ ˆ σ (9 + ) 5. Esmas vaas da aa-aa yag dduga yau 8 7 Sema Nasoal MIPA 007

11 M : Kedblas dega Pedekaa Bühlma aˆ ( x [(8 0) x) vˆ Esmas paamee kedblas Bühlma yau ( 0) ]. ˆ vˆ 5 K ˆ 9 /. a Oleh kaea paamee-paamee kedblas Bühlma yag dguaka uuk meeuka ako kedblas elah dkeahu, maka esmas da ako kedblas uuk seap kelompok pols dapa deuka sebaga beku ˆ Z Kˆ Seelah ako kedblas dpeoleh, esmas pem mu da masg-masg kelompok pols uuk ahu keempa pols dapa deuka sebaga beku.. Esmas pem uuk kelompok pols peama yau C ˆ Zˆ x + ( Zˆ) x (0.7967)(8) + (0.08)(0) Esmas pem uuk kelompok pols kedua yau Cˆ Zˆ x + ( Zˆ) x (0.7967)() + (0.08)(0) PENUTUP. Kesmpula Bedasaka pembahasa yag elah dlakuka maka dapa dsmpulka sebaga beku.. Lagkah-lagkah dalam meeuka pekaa kedblas megguaka kedblas Bühlma yau a. Meeuka, jumlah pegamaa (jumlah peode pegamaa). b. Meeuka la haapa da vaas poses (EPV), v E [ Va [ ]] E [ σ ( c. Meeuka vaas da aa-aa yag dduga (VHM), a Va [ μ( )] E [( μ( ) μ) ]. EPV d. Meghug K, K. VHM e. Meeuka ako kedblas, Z, Z + K. Meeuka pekaa kedblas yag dgka, C Z + ( Z) μ.. Paamee-paamee kedblas Bühlma desmas bedasaka daa emps yag dama. Esmas ak bas uuk la haapa da vaas poses yau )]. Maemaka 7

12 Isada S, Ksa N vˆ ˆ σ ( ( ) Esmas ak bas uuk vaas da aa-aa yag dduga yau aˆ Va ˆ [ ] vˆ / ( ) ( ) ( Esmas da paamee kedblas Bühlma, K, yau v Kˆ ˆ. aˆ Sehgga, ako kedblas dapa desmas sebaga beku Zˆ + Kˆ, da peduga da pekaa kedblas adalah Cˆ Zˆ + ( Zˆ). ). ).. Saa Dalam skps haya dbahas eag meeuka pekaa kedblas dega megguaka model Bühlma. Bag pembaca yag eak dega pembahasa, peuls membeka saa. Pada meode kedblas keakuaa ebesa sela megguaka model Bühlma, juga dapa megguaka model Bühlma-Saub, uuk meeuka pekaa kedblas yag dgka.. Pekaa kedblas juga dapa deuka dega meode kedblas lukuas ebaas da meode aalss Bayesa. DAFTAR PUSTAKA Ba, L. J., ad M. Egelhad. (99). Ioduco o Pobably ad Mahemacal Sascs. Duxbuy Pess, Caloa. Dea, C. G. ad M.C. Howad, (006). Cedbly. Dowload avalable a hp:// / admssos / syllabus / Ch.8.pd. Deu, M., K. Rob, G. Mak, ad J. Dhaee. (00). Mode Acuaal Rsk Theoy. Kluwe Academc Publshes, Lodo. Hezog, T. N. (996). Ioduco o Cedbly Theoy. Secod Edo. ACTE, Wsed. 74 Sema Nasoal MIPA 007

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract Esmas Paamee (Ida sa) ESIMASI PARAMEER DISRIBUSI WEIBULL DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah, Sugo, Ra Rahmawa Mahasswa Juusa Saska FSM Uvesas Dpoegoo Sa Pegaja Juusa Saska FSM UNDIP Absa

Lebih terperinci

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga BAB II LANDASAN TEORI Pada bab aka dbahas bebeapa eo dasa yag dpeluka pada pembahasa bab-bab bekuya aaa la eag model pegeaka haga saham, model kesembaga, meode maxmum lkelhood esmao, ops pu Ameka, smulas

Lebih terperinci

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka

Lebih terperinci

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain Jual Gade Vol.4 No. Jaua 28 : 328-332 edeskpsa Kou Da Image Suau Kawasa Eksploas egguaka oe Calo akov Cha Jose Rzal, Ulfasa Rafflesa Juusa aemaka, Fakulas aemaka da Ilmu egeahua Alam, Uvesas Begkulu, Idoesa

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 5 BAB II TINJAUAN PUSTAKA Pada bab aka dbahas eag posedu peguja hpoess uuk daa yag beasal da dua sampel salg behubuga aau slah la dua sampel bepasaga. Salah sau cooh adalah ekspeme yag pegukuaya dlakuka

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

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

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA Jural Maemaka, Vol., No., 2, 6 2 BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA AMIR KAMAL AMIR Jurusa Maemaka, FMIPA, Uversas Hasaudd 9245 Emal : amrkamalamr@yahoo.com INTISARI Msalka

Lebih terperinci

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES JURNA GAUSSIAN Volume Nomo ahu 0 Halama 03- Ole d: hp://ejoual-sudpad/dephp/aussa ESIMASI PARAMEER DISRIBUSI WEIBU DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah Suo Ra Rahmawa 3 Mahasswa Juusa Saska

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

Lebih terperinci

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global.

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global. BAB 1 PENDAHULUAN 1.1 Laar Belakag Telah dkeahu bahwa saa sedag megalam krss global, dak haya erjad pada Negara yag sedag berkembag, bahka Negara maju juga megalamya, seper Amerka. Akbaya bayak orag yag

Lebih terperinci

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6) Pemecaha Masalah Ieger Programmg Ber Dega Meode Peambaha Wawa Lakso YS 6) ISSN : 1693 1173 Absrak Program Ler adalah perecaaa akfas-akfas uuk memperoleh suau hasl yag opmal. Tdak semua varabel kepuusa

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

FINITE FIELD (LAPANGAN BERHINGGA)

FINITE FIELD (LAPANGAN BERHINGGA) INITE IELD (LAPANGAN BERHINGGA) Muhamad Zak Ryao NIM: /5679/PA/8944 E-mal: zak@malugmacd h://zakmahwebd Dose Pembmbg: Drs Al Sujaa, MSc Jka suau laaga (feld) memua eleme yag bayakya berhgga, maka laaga

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

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian 3 III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMAN Teusa Nuya. Populas dalam peelta adalah seluuh sswa kelas X SMAN Teusa Nuya semeste geap tahu pelajaa / yag bejumlah lma kelas. Kemampua

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

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

BILANGAN BAB V BARISAN BILANGAN DAN DERET

BILANGAN BAB V BARISAN BILANGAN DAN DERET Maemaika Kelas IX emese Baisa Bilaga da Dee BILANGAN BAB V BARIAN BILANGAN DAN DERET A. Baisa Bilaga. Pegeia Baisa Bilaga Jika bilaga-bilaga diuuka dega aua eeu maka aka dipeoleh suau baisa bilaga. Cooh

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

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

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

Pengukuran Bunga. Modul 1

Pengukuran Bunga. Modul 1 Moul 1 Pegukura Buga Drs. Pramoo S, M. S. M oul membcaraka eag pegukura buga, fugs akumulas a fugs jumlah, gka buga efekf, buga seerhaa, buga majemuk, la sekarag, gka skoo efekf, gka buga ar skoo omal,

Lebih terperinci

PENGUJIAN HIPOTESIS DUA RATA-RATA

PENGUJIAN HIPOTESIS DUA RATA-RATA PENGUJIN HIPOTEI DU RT-RT Pegujia hipoesis dua raa-raa diguaka uuk membadigka dua keadaa aau epaya dua populasi. Misalya kia mempuyai dua populasi ormal masig-masig dega raa-raa µ da µ sedagka simpaga

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *)

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *) VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI Baso Iag Sappale * Absac To measue a vaable eeded by vald sume ad elabel. Resul of measueme a vaable vey flueced by qualy of sume,

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

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

COMPLETELY RANDOMIZED DESIGN (CRD)

COMPLETELY RANDOMIZED DESIGN (CRD) COMPLETELY RANDOMIZED DESIGN (CRD) CRD Tdak ada kea pengelompokan: Lngkungan homogen Bahan homogen (pebedaan danaa expemenal un yang mempeoleh pelakuan yang ama dalam CRD debu ebaga expemenal eo) Ala homogen

Lebih terperinci

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator 70 Mode Pob... (Jaka Nugaha dkk) Mode Pob pada Respos Be Muvaa Megguaka Smuaed Maxmum Lkehood Esmao Pob Mode o Muvaae Bay Respose Usg Smuaed Maxmum Lkehood Esmao Jaka Nugaha ), Suyo Guo ), S Hayam ) Juusa

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh MODU PERKUIAHA Ragkaa srk Idukas da Kapasas Fakulas Program Sud Taap Muka Kode MK Dsusu Oleh FAKUTAS TEKIK TEKIK EEKTRO 0 4009 Yulza ST,MT Absrac Tak ada egaga melas sebuah dukor jka arus ag melalu dukor

Lebih terperinci

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1 68 BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN A. Hasl Peelta Adapu hasl peelta aka djelaska sebaga bekut : TABEL 4. Tabel IQ, Iteleges Gada da Tes Hasl Belaja pada Pokok Bahasa Kesebagua Kelas

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

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

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

(Cormen 2002) III PEMBAHASAN. yt : pendapatan rumah tangga pada periode t, dengan yt 0.

(Cormen 2002) III PEMBAHASAN. yt : pendapatan rumah tangga pada periode t, dengan yt 0. 5 Vaabel s dsebu vaabel slak enambahan vaabel slak beujuan unuk mengubah peaksamaan yang mengandung anda menjad sebuah pesamaan eaksamaan () bena jka dan hanya jka pesamaan (2) dan peaksamaan (3) bena

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

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

III. METODE KAJIAN A.

III. METODE KAJIAN A. 25 III. METODE KAJIAN A. Lokas da Waku Kaja Lokas kaja d dusr sapu PT. XYZ yag berlokas d Dusu III R.3/05 Desa Kalbuaya, Kecamaa Telagasar, Kabupae Karawag. Pemlha lokas dlakuka secara segaja (purposve),

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

Lebih terperinci

JENIS BUNGA PEMAJEMUKAN KONTINYU

JENIS BUNGA PEMAJEMUKAN KONTINYU JENIS BUNGA PEMAJEMUKAN KONTINYU Suku Buga Nomal Suku Buga Efektf Hubuga ataa Suku Buga Nomal da Efektf Aus Daa Dskt da Aus Daa Kotyu SUKU BUNGA NOMINAL & SUKU BUNGA EFEKTIF Selama daggap aus daa (peemaa

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Bulet Ilmah Mat. Stat. da eapaa (Bmaste) Volume 0, No. (0), hal 79-86. ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI PRODUKSI ANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Zaal Ap, Muhlasah Novtasa Maa, Neva Satahadew

Lebih terperinci

Rumus-rumus yang Digunakan

Rumus-rumus yang Digunakan Saisika Uipa Surabaya 4. Sampel Tuggal = Rumus-rumus yag Diguaka s..... Sampel berkorelasi D D N N N...... 3. Sampel Bebas a. Uuk varias sama... 3 aau x x s g... 4 b. Sampel Heeroge Guaka Uji Corha - Cox

Lebih terperinci

B A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan

B A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan 30 B A B III METODE PENELITIAN 3. Peeapa Lokai da Waku Peeliia Objek peeliia dalam peeliia ii adalah megaalii perbadiga harga jual produk melalui pedekaa arge pricig dega co-plu pricig pada oko kue yag

Lebih terperinci

Reliabilitas. A. Pengertian

Reliabilitas. A. Pengertian Relablas A. Pengean Relablas adalah sejauh mana hasl ujan sswa eap aau konssen da posedu penlaan (Nko, 007:66). Menuu Ellen, suau es dkaakan elabel jka sko obsevas nla awal behubungan dengan sko yang sebenanya.

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

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

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR PERBNDINGN METODE BUNG MJEMUK DN TURN 78 DLM MENENTUKN SIS PINJMN SETIP PERIODE PD NUITS DUE ( Sudi Kasus: Kopeasi Uiesias Islam Negei Sula Syaif Kasim Riau ) TUGS KHIR Diajuka Sebagai Salah Sau Syaa Uuk

Lebih terperinci

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV BAB III STATISTIK INFERENSI PADA RANTAI MARKOV 3. Pedahulua Pada Bab II elah dibahas megeai aai Makov beode- aau Ō() da maiks peluag asisiya. Pada bagia ii, aka dibahas bagaimaa meeuka ode aai Makov dai

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMA YP Ula Badalampug yag belokas d Jl. Jedal R. Supapto No.88 Tajug Kaag Badalampug. Populas yag dguaka dalam peelta adalah seluuh sswa kelas

Lebih terperinci

kimia LAJU REAKSI II Tujuan Pembelajaran

kimia LAJU REAKSI II Tujuan Pembelajaran KTSP & K-13 kimia K e l a s XI LAJU REAKSI II Tujuan Pembelajaan Seelah mempelajai maei ini, kamu dihaapkan memiliki kemampuan beiku. 1. Mengeahui pesamaan laju eaksi.. Memahami ode eaksi dan konsana laju

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi. . Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan III. METODE PENELITIAN A. Metode Peelta Peelta betujua megetahu hubuga testas kegata ekstakulkule Pamuka, da PMR pada sswa Kelas VIII SMP Nege Guug Labuha Way Kaa dega pestas belaja IPS semeste gajl tahu

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

Lebih terperinci

PENGARUH PERENCANAAN PEMBELIAN BAHAN BAKU DENGAN MODEL EOQ UNTUK MULTIITEM DENGAN ALL UNIT DISCOUNT

PENGARUH PERENCANAAN PEMBELIAN BAHAN BAKU DENGAN MODEL EOQ UNTUK MULTIITEM DENGAN ALL UNIT DISCOUNT PENGARUH PERENCANAAN PEMBELIAN BAHAN BAKU DENGAN MODEL EOQ UNTUK MULTIITEM DENGAN ALL UNIT DICOUNT Much. Djuad Jurusa Tekk Idusr Uversas Muhammadyah urakara Jl. Ahmad Ya Tromol Pos Pabela urakara emal:

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

Pemodelan Regresi untuk Rancangan Percobaan Faktor Tunggal

Pemodelan Regresi untuk Rancangan Percobaan Faktor Tunggal Jural Sas & Maemaka JSM) ISSN Kaa 854-675 Pusaka Volume 5, Nomor, Aprl 7 Arkel Peela 6-67 Pemodela Regres uuk Racaga Percobaa Fakor Tuggal Dw Ispra Saf Pegaar urusa Maemaka Fakulas MIPA UNDIP Semarag ABSTRAK---Meode

Lebih terperinci

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

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

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

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

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV Jural Wahaa Maemaka da Sas, Volume 8 Nomor, Aprl 4 77 PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV I Gus Nyoma Yud Harawa Jurusa Peddka Maemaka, Fakulas Maemaka da Ilmu Pegeahua

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB 8 PERSAMAAN DIFERENSIAL BIASA

BAB 8 PERSAMAAN DIFERENSIAL BIASA Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 5 BAB 2 LANDASAN TEORI 2. Tjaua Pusaka 2.. Defs Pemelharaa Pegera pemelharaa aau perawaa ( maeace ) adalah suau kombas dar berbaga daka yag dlakuka uuk mejaga suau barag aau memperbakya, sampa pada suau

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

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee Jural ILMU DASAR Vol. 0 No.. 009 : 85 9 85 Esmas Parameer Model Log pada Respos Ber Mulvara Megguaka Meode Mle da Gee Esmag Parameers of Log Model o Mulvarae Bary Respose Usg Mle ad Gee Jaka Nugraha, Suryo

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

BAGIAN 2 TOPIK 5. andhysetiawan

BAGIAN 2 TOPIK 5. andhysetiawan BAGIAN OIK 5 adhyseiawa Isi Maeri Modulasi Aliudo AM Modulasi Frekuesi FM adhyseiawa MODULASI AMLIUDO DAN MODULASI ANGULAR SUDU Modulasi roses erubaha karakerisik aau besara gelobag ebawa, euru ola gelobag

Lebih terperinci

FORMULA AKUMULASI FACKLER UNTUK CADANGAN PREMI BERDASARKAN ASUMSI CONSTANT FORCE

FORMULA AKUMULASI FACKLER UNTUK CADANGAN PREMI BERDASARKAN ASUMSI CONSTANT FORCE FORMULA AKUMULASI FACKLER UNTUK CADANGAN PREMI BERDASARKAN ASUMSI CONSTANT FORCE Mara Buar-buar *, Hasra 2, Azskha 2 Mahasswa Progra S Maeaka 2 Dose Jurusa Maeaka Fakulas Maeaka da Ilu Pegeahua Ala Uversas

Lebih terperinci

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK BAB II PEMODELAN SRUKUR DAN ANALISIS DINAMIK II Pedaulua Aalss da saga dperlua uu bagua-bagua berlaa baya aau yag el egga leb dar eer Respo da sruur dabaa ole beba beba da yag basaya erupaa fugs dar wau

Lebih terperinci

Universitas Sumatera Utara

Universitas Sumatera Utara 50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci