PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR OPEN DARNIUS

Ukuran: px
Mulai penontonan dengan halaman:

Download "PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR OPEN DARNIUS"

Transkripsi

1 PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR OPEN DARNIUS Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara 1. PENDAHULUAN Pengambilan keputusan merupakan pemilihan diantara beberapa alternatif pemecahan masalah. Pada hakikatnya keputusan diambil jika pimpinan menghadapi masalah atau untuk mencegah timbulnya masalah dalam organisasi yang bergerak baik dalam bidang sosial maupun komersial. Ada dua kemungkinan sifat tujuan dari pengambilan keputusan. Pertama adalah tujuan pengambilan keputusan yang bersifat tunggal dalam arti bahwa sekali diputuskan tidak akan ada kaitannya dengan masalah lain. kedua adalah tujuan pengambilan keputusan dapat bersifat ganda dalam arti bahwa satu keputusan yang diambil sekaligus memecahkan dua masalah atau lebih yang sifatnya kontradiktif ataupun nonkontradiktif. Dalam setiap pengambilan keputusan para pengambil keputusan akan selalu berhadapan dengan lingkungan, dimana salah satu karakteristiknya yang paling menyulitkan dalam proses pengambilan keputusan adalah ketidakpastian (Uncertainty), ini adalah salah satu sifat dimana tidak akan dapat diketahui dengan pasti apa yang akan terjadi di masa yang datang. Selain sifat ketidakpastian ini lingkungan juga bersifat kompleks, dimana begitu banyak faktor yang berinteraksi dalam berbagai cara sehingga sering tidak diketahui lagi bagaimana interaksi tersebut berlangsung. Dalam tulisan ini akan dibahas bagaimana penerapan teori peluang (teori yang mempelajari ketidak pastian) dalam mengambil suatu keputusan. Hal ini akan dibahas dalam suatu kasus (masalah) grosir. 2. LANDASAN TEORI 2.1. Teori Keputusan Pengambilan keputusan merupakan suatu proses dari pembatasan dan perumusan masalah, membuat beberapa alternatif pemecahan beserta konsekuensi masing-masing alternatif, dan memilih salah satu alternatif pemecahan terbaik untuk selanjutnya melaksanakan keputusan tersebut Faktor-Faktor Pengambilan Keputusan Pengambilan keputusan dipengaruhi oleh beberapa faktor antara lain: 1. Faktor keadaan intern organisasi 2. Faktor tersedianya informasi yang diperlukan 3. Faktor keadaan ekstern organisasi 4. Faktor kepribadian dan kecakapan pengambil keputusan 2.3. Model Keputusan Ada beberapa elemen dan konsep yang biasanya digunakan pada semua model keputusan, hampir semua model apakah itu kompleks dan sederhana, dapat diformulasikan dengan menggunakan suatu struktur standard dan dipecahkan dengan penggunaan prosedur umum. Dalam tulisan ini digunakan model probabilistik dalam kondisi ketidakpastian yakni memakai Teori Peluang dan expektasi (harapan) Digitized by USU digital library 1

2 2.4. Pengertian Peluang Secara umum peluang terjadinya suatu kejadian A dapat dinyatakan sebagai frekwensi relatif, yaitu perbandingan antara banyaknya cara kejadian A dapat terjadi dengan banyaknya semua cara (kejadian) dapat terjadi dalam suatu keadaan tertentu (percobaan). Secara matematis hal ini dapat dirumuskan dengan: n (A) P(A) = n (Ω) Sebagai contoh untuk memudahkan pengertian rumusan peluang di atas, jika sebuah dadu yang setimbang digulirkan, dan A adalah kejadian mata dadu ganjil yang muncul, maka peluang A, P(A), adalah 1 / 2. Hal ini dapat ditunjukkan dengan mendaftarkan semua mata dadu (outcome) yang mungkin terijdi dalam percobaan tersebut yaitu Ω={1,2,3,4,S,5}. Himpunan ini sering disebut dengan ruang sampel (sample space), dimana secara himpunan dapat dituliskan n(ω) = 6. Sedangkan kejadian A dikatakan terjadi bilamana mata dadu yang muncul adalah 1, 3, atau 5. Hal ini dapat dinyatakan dalam himpunan, A ={1,3,5}, artinya n(a)=3. Sehingga menurut persamaan (1) di alas P(A)=3/6=1/ Ekpektasi (Expectation) adalah suatu nilai harapan terhadap suatu peubah (kejadian) tertentu yang diperhitungkan berdasarkan semua kemungkinan (peluang) yang akan terjadi terhadap peubah tersebut. Secara matematis jika X menyatakan suatu peubah acak yang mempunyai peluang p(x), maka ekspektasi X (yang dinotasikan dengan E(X)) didefinisikan sebagai berikut: E(X) = Σ xp(x), jika X peubah acak diskrit, dan xєx E(X) = xp(x)dx jika X peubah acak kontinu. xєx 3. SUATU CONTOH KASUS: MASALAH GROSIR Salah satu permasalahan yang sering dihadapi grosir adalah bagaimana menentukan tingkat persediaan (stock) barang agar permintaan konsumen terpenuhi dan biaya gudang (tempat penyimpanan barang) tersebut tidak terlalu mahal. Hal ini selalu menjadi tujuan karena ketidakmampuan memberikan solusi yang optimal akan menghasilkan dua jenis kerugian dalam usaha grosir. Sebagai contoh khusus, diambil masalah grosir buah yang menjual buah strawbarry. Buah ini mempunyai masa (waktu) jual yang terbatas, dalam arti jika tidak terjual pada hari pengiriman, maka tidak akan laku dijual pada hari berikutnya. Jika diandaikan harga pengambilan satu keranjang strawberry adalah $20, dan grosir akan menjualnya dengan harga $50 satu keranjang. Berapa keranjangkah persediaan yang perlu diambil setiap hari oleh grosir agar mendapat resiko kerugian minimum, atau agar mendapat keuntungan maximum? Hal ini dapat diselesaikan dengan konsep peluang jika informasi tentang jumlah data penjualan beberapa hari yang lalu ada dicatat. Untuk membahas kasus ini selanjutnya diandaikan data penjualan selama 100 hari yang lalu tercatat sebagai berikut: 2004 Digitized by USU digital library 2

3 Tabel1. Data Penjualan Strawbary terjual Hari Penjualan (Dalam Satuan Keranjang) ANALISIS KEPUTUSAN Analisis keputusan yang dimaksud disini adalah suatu rangkaian proses dalam membahas permasalahan yang dikemukakan di atas. Hal ini dapat dilakukan dengan memperkenalkan konsep jenis kerugian yang ditimbulkan, pemakaian konsep peluang, dan perhitungan ekspektasi kerugian Pendefinisian Jenis Bila dalam membahas permasalahan di atas kita fokuskan terhadap minimisasi kerugian maka perlu didefinisikan dua jenis kerugian yang akan ditimbulkan dalam kasus tersebut. Jenis kerugian yang pertama dikenal dengan obsolescence looses. Jenis kerugian ini disebabkan oleh persediaan yang terlalu banyak sehingga harus dibuang pada hari berikutnya, (jenis ini hampir sama dengan biaya gudang akibat terlalu lama penyimpanan). Misalnya dari kasus tersebut di atas, jika jumlah strawberry yang disediakan oleh grosir adalah 12 keranjang namun permintaan pada hari itu hanya 10 keranjang, maka grosir akan mengalami kerugian sebesar $40 (yaitu dari harga pembelian 2 keranjang strawberry yang tidak terjual). Jenis kerugian yang kedua adalah opportunity looses. Jenis kerugian ini disebabkan oleh kurangnya persediaan sehingga ada pembeli yang tidak terlayani. Dengan kata lain, kerugian ini timbul akibat keuntungan yang seharusnya diperoleh tetapi tidak jadi diperoleh karena kekurangan stock. Misalnya dari kasus di atas, jika jumlah strawberry yang disediakan oleh grosir adalah 10 keranjang sedangkan permintaan pada hari itu mencapai 12 keranjang, maka grosir akan mengalami kerugian sebesar $60 (yaitu keuntungan yang tidak diterima dari hasil penjualan 2 keranjang strawberry bila stock ada). Tabel 2. Tabel Bersyarat Persediaan yang Dilakukan(X) Yang diminta (X) $0 $20 $40 $ Adopsi Konsep Peluang Konsep peluang yang sudah didefinisikan sebelumnya dapat diadopsi untuk data persoalan tersebut di atas. Jika tujuan grosir adalah untuk menentukan persediaan jumlah strawberry dalam satuan keranjang pada hari tersebut, dimisalkan dengan X, maka berdasarkan data di atas X adalah peubah acak diskrit yang dapat mengambil nilai 1O, 11, 12, dan 13. Dan distribusi Peluang X (jumlah keranjang strawberry) dapat dinyatakan sebagai berikut: 2004 Digitized by USU digital library 3

4 Tabel 3. Distribusi Peluang X Hari Penjualan (f) Strawbary terjual Dalam Satuan Keranjang (X) Frekwensi Relatif (fr) P(X=x) 4.3. Perhitungan Mengingat tujuan utama dari analisis ini adalah untuk menentukan jumlah stock strawberry agar resiko (kerugian) minimum, maka analisis dilakukan dengan memperhitungkan ekspektasi kerugian. Analisis perhitungan ekspektasi ini akan disajikan dalam tabel, dengan memperhitungkan semua kemungkinan yang dapat terjadi, dimulai dari tabel ekspektasi kerugian bila persediaan 10 keranjang sampai dengan tabel ekspaktasi kerugian bila persediaan 13 keranjang. Tabel4. kerugian dari Persediaan 10 Keranjang 10 $ $ $52.50 Kolom kerugian bersyarat pada Tabel 4 di alas diambil, dari tabel 2 untuk kasus persediaan 10 keranjang. Kolom ke empat dari Tabel 4 menyatakan bahwa jika 10 keranjang disediakan setiap hari selama masa yang panjang (long period), maka kerugian secara rata-rata (ekspektasi kerugian) adalah $ Tentu tidak ada jaminan bahwa jika besok diambil persediaan 10 keranjang maka sudah pasti akan rugi % Dengan cara yang sama tabel 5, 6, dan 7 dapat dibentuk dan diinterpretasikan. Tabel 5. Dari Persediaan 11 Keranjang 10 $ $ $ Digitized by USU digital library 4

5 Tabel 6. Tabel 7. Dari Persediaan 12 Keranjang 10 $ $ $17.50 Dari Persediaan 13 Keranjang 10 $ $ $52.50 Hasil analisis ekspektasi kerugian yang disajikan dalam tabel 4 sampai dengan 7 dapat digunakan untuk mengambit keputusan. Dapat dilihat bahwa minimum kerugian yang terjadi adalah $ Hal ini terjadi pada tingkat persediaan 12 keranjang Strawberry. Ini berarti grosir lebih baik menyediakan 12 keranjang setiap harinya, untuk kasus tersebut di atas. Seandainya untuk membahas permasalahan di atas dilakukan anatisis dengan mempertimbangkan keuntungan yang maksimum, maka hasilnya tidak akan berbeda yaitu dengan jumlah persediaan 12 keranjang perharinya. 5. KESIMPULAN Pemakaian Teori Peluang untuk membahas persoalan ketidakpastian dapat dilakukan bilamana dimiliki suatu informasi yang dapat dimodifikasi menjadi frekwensi relatif. Contoh kasus masalah grosir buah tetah menunjukkan bagaimana penggunaan konsep teori peluang dan ekspektasi digunakan untuk mengambii keputusan. Dan perhitungan dapat diperoleh bahwa nilai minimum kerugian adalah $17.50, dengan jumlah persediaan perharinya 12 keranjang Digitized by USU digital library 5

6 DAFTAR BACAAN Amudi Pasaribu Pengantar Statistik. Medan: Imballo. Andi Hakim dan Bariz Metode Statistik. Jakarta: Gramedia. Anto Dayan Pengantar Metode Statistik Deskriptif. Jakarta: LP3ES. J. Supranto Statistik, Teori & Aplikasi, jilid I, Jakarta: Erlangga Statistik Dan Sistim Informasi. Jakarta: Erlangga Richard I., Levin., David S., Rubin Statistics for Management. New Jersey: Prentice Hall 2004 Digitized by USU digital library 6

PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR

PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR PEMAKAIAN PELUANG DALAM MEMBUAT KEPUTUSAN: SUATU TINJAUAN DALAM MASALAH GROSIR DRS. OPEN DARNIUS, M.SC Fakultas Matematika dan Ilmu Pengetahuan Alam Jurusan Matematika Universitas Sumatera Utara Pendahuluan

Lebih terperinci

APLIKASI PELUANG DISKRIT DALAM PENGAMBILAN KEPUTUSAN PERMASALAH GROSIR

APLIKASI PELUANG DISKRIT DALAM PENGAMBILAN KEPUTUSAN PERMASALAH GROSIR APLIKASI PELUANG DISKRIT DALAM PENGAMBILAN KEPUTUSAN PERMASALAH GROSIR Mochamad Reza Akbar NIM : 13507131 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung

Lebih terperinci

MODEL PENGAMBILAN KEPUTUSAN

MODEL PENGAMBILAN KEPUTUSAN MODEL PENGAMBILAN KEPUTUSAN 2.1 Pengertian Model Pegambilan Keputusan Model adalah percontohan yang mengandung unsure yang bersifat penyederhanaan untuk dapat ditiru (jika perlu). Pengambilan keputusan

Lebih terperinci

Bab 3 Pengantar teori Peluang

Bab 3 Pengantar teori Peluang Bab 3 Pengantar teori Peluang Istilah peluang atau kemungkinan, sering kali diucapkan atau didengar. Sebagai contoh ketika manajer dari sebuah klub sepak bola ditanya wartawan tentang hasil pertandingan

Lebih terperinci

BAB 8 DISTRIBUSI PELUANG DISKRIT

BAB 8 DISTRIBUSI PELUANG DISKRIT BAB 8 DISTRIBUSI PELUANG DISKRIT A. Peluang Peluang atau yang sering disebut sebagai probabilitas dapat dipandang sebagai cara untuk mengungkapkan ukuran ketidakpastian/ ketidakyakinan/ kemungkinan suatu

Lebih terperinci

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA Mata Kode / SKS Program Studi Fakultas : Statistika Dasar : IT012244 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pendahuluan konsep statistika dan notasi penjumlahan 1.1. Konsep statistika

Lebih terperinci

Ekspektasi Satu Peubah Acak Diskrit

Ekspektasi Satu Peubah Acak Diskrit Chandra Novtiar 085794801125 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG Garis Besar Pembahasan Sub Pokok Pembahasan

Lebih terperinci

MATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS

MATRIKS SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (SI) KODE / SKS: KD / 3 SKS Minggu Pokok Bahasan ke dan TIU 1. 1.Distribusi sampling Memberi penjelasan tentang populasi, sampel, tehnik pengambilan sampel., serta distribusi sampling ratarata Sub Pokok Bahasan dan Sasaran Belajar

Lebih terperinci

Program Studi Teknik Mesin S1

Program Studi Teknik Mesin S1 SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DAN PROBABILITAS KODE / SKS : IT042238 / 2 SKS Program Studi Teknik Mesin S1 Pokok Bahasan Pertemuan dan TIU 1 Pendahuluan memahami tentang konsep statistik

Lebih terperinci

SIMULASI PROGRAM ANTRIAN BANK

SIMULASI PROGRAM ANTRIAN BANK TEKNIK SIMULASI SIMULASI PROGRAM ANTRIAN BANK Nama : Heni Indrawati NPM : 10 411 130 Kelas : C Jurusan : Teknik Informatika S 1 FAKULTAS ILMU KOMPUTER DAN MANAJEMEN UNIVERSITAS SAINS DAN TEKNOLOGI JAYAPURA

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DASAR Kode : EK11. B230 / 3 Sks

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DASAR Kode : EK11. B230 / 3 Sks Minggu Pokok Bahasan ke dan TIU 1 1Pendahuluan tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika statistika Mahasiswa dapat menjelaskan kegunaan

Lebih terperinci

Bab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik

Bab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses

Lebih terperinci

BAB 2 PROGRAM STOKASTIK

BAB 2 PROGRAM STOKASTIK BAB 2 PROGRAM STOKASTIK 2.1 Pengertian Program Stokastik Banyak persoalan keputusan yang dapat dimodelkan dengan menggunakan program stokastik dengan tujuan menentukan nilai maksimum atau minimum. Tujuan

Lebih terperinci

BAB 1 PENDAHULUAN. Persoalan keputusan sering diformulasikan sebagai. persoalan optimisasi, jadi dalam berbagai situasi, pengambil keputusan ingin

BAB 1 PENDAHULUAN. Persoalan keputusan sering diformulasikan sebagai. persoalan optimisasi, jadi dalam berbagai situasi, pengambil keputusan ingin BAB 1 PENDAHULUAN 1.1 Latar Belakang Dunia saat ini dilanda oleh adanya kondisi ketidakpastian yang tinggi, namun pengambil keputusan tetap harus menentukan keputusan walau dalam kondisi yang demikian.

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF 1 (MI) KODE / SKS: KK / 2 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF 1 (MI) KODE / SKS: KK / 2 SKS Minggu Pokok Bahasan ke dan TIU 1 1. Pendahulua n tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika Mahasiswa dapat menjelaskan pengertian statistika

Lebih terperinci

Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c

Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c Maximize or Minimize Z = f (x,y) Subject to: g (x,y) = c PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS JAMBI Prof. Dr. Ir. ZULKIFLI ALAMSYAH, M.Sc. Mata Kuliah : RISET OPERASI (RO) Kode / SKS

Lebih terperinci

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA

SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA Mata Kuliah Kode / SKS Program Studi Fakultas : Statistika 2 / Probabilitas Terapan : IT012249 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1. Distribusi sampling populasi, sampel, tehnik

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 21 Teori Himpunan Fuzzy Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam himpunan A, yang sering ditulis dengan memiliki dua kemungkinan, yaitu: 1 Nol (0), yang berarti

Lebih terperinci

HANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak

HANDOUT PERKULIAHAN. Pertemuan Ke : 3 : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak HANDOUT PERKULIAHAN Pertemuan Ke : 3 Pokok Bahasan : Distribusi Satu Peubah Acak dan Ekspektasi Satu Peubah Acak URAIAN POKOK PERKULIAHAN A. Peubah Acak Definisi 1 : Peubah Acak Misalkan E adalah suatu

Lebih terperinci

GARIS BESAR PROGRAM PENGAJARAN (GBPP)

GARIS BESAR PROGRAM PENGAJARAN (GBPP) GARIS BESAR PROGRAM PENGAJARAN (GBPP) Nama Mata Kuliah : STATISTIKA-1*/** / 2015 Kode Mata Kuliah/SKS : IT-022250/2 SKS (AKUNTANSI) Deskripsi singkat : Mata Kuliah Keilmuan dan Ketrampilan (MKKK) Statistika-1

Lebih terperinci

DISTRIBUSI SATU PEUBAH ACAK

DISTRIBUSI SATU PEUBAH ACAK 0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak

Lebih terperinci

Studi Perbandingan Ekpektasi Biaya Total Antara Kasus Bakcorder dan Lost Sales pada Model Persediaan Probabilistik

Studi Perbandingan Ekpektasi Biaya Total Antara Kasus Bakcorder dan Lost Sales pada Model Persediaan Probabilistik J. Math. and Its Appl. ISSN: 1829-65X Vol. 3, No. 2, Nov 26, 19 117 Studi Perbandingan Ekpektasi iaya Total Antara Kasus akcorder dan Lost Sales pada Model Persediaan Probabilistik Valeriana Lukitosari

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (IA) KODE / SKS : KD / 3 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH PROBABILITA TERAPAN (IA) KODE / SKS : KD / 3 SKS 1 1. Distribusi Sampling TIU : Memberi penjelasan tentang populasi, sampel, teknik pengambilan sampel, serta distribusi sampling rata-rata 2 1.2. Distribusi Sampling Rata-rata 1.1. Konsep Dasar Sampling

Lebih terperinci

Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X

Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=x) disebut distribusi probabilitas X Kumpulan pasangan nilai-nilai dari variabel acak X dengan probabilitas nilai-nilai variabel random X, yaitu P(X=) disebut distribusi probabilitas X (distribusi X) Diskrit Seragam Binomial Hipergeometrik

Lebih terperinci

Hidup penuh dengan ketidakpastian

Hidup penuh dengan ketidakpastian BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa

Lebih terperinci

STK 511 Analisis statistika. Materi 3 Sebaran Peubah Acak

STK 511 Analisis statistika. Materi 3 Sebaran Peubah Acak STK 511 Analisis statistika Materi 3 Sebaran Peubah Acak 1 Konsep Peluang 2 Peluang Peluang dapat diartikan sebagai ukuran kemungkinan terjadinya suatu kejadian Untuk memahami peluang diperlukan pemahaman

Lebih terperinci

HARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016

HARAPAN MATEMATIK. Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 HARAPAN MATEMATIK Nur Hayati, S.ST, MT Yogyakarta, Maret 2016 Pendahuluan Rata-rata perubah acak X atau rata-rata distribusi peluang X ditulis x atau. Dalam statistik rata-rata ini disebut harapan matematik

Lebih terperinci

DISTRIBUSI DISKRIT. MA 2081 Statistika Dasar Utriweni Mukhaiyar

DISTRIBUSI DISKRIT. MA 2081 Statistika Dasar Utriweni Mukhaiyar DISTRIBUSI DISKRIT Uniform (seragam) Bernoulli Binomial Poisson Beberapa distribusi lainnya : MULTINOMIAL, HIPERGEOMETRIK, GEOMETRIK, BINOMIAL NEGATIF MA 081 Statistika Dasar Utriweni Mukhaiyar 5 Maret

Lebih terperinci

MANAJEMEN PERSEDIAAN. ERLINA, SE. Fakultas Ekonomi Program Studi Akuntansi Universitas Sumatera Utara

MANAJEMEN PERSEDIAAN. ERLINA, SE. Fakultas Ekonomi Program Studi Akuntansi Universitas Sumatera Utara MANAJEMEN PERSEDIAAN ERLINA, SE. Fakultas Ekonomi Program Studi Akuntansi Universitas Sumatera Utara A. Pendahuluan Manajemen persediaan merupakan hal yang mendasar dalam penetapan keunggulan kompetatif

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

DISTRIBUSI DISKRIT KHUSUS

DISTRIBUSI DISKRIT KHUSUS DISTRIBUSI DISKRIT KHUSUS Uniform U (seragam) MultinomialM l i i l Bernoulli Hipergeometrik Binomial Geometrik Poisson Binomial Negatif MA 2081 Statistika Dasar Utriweni Mukhaiyar 27 September 2012 2 Distribusi

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF (TK) KODE / SKS: KD / 2 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF (TK) KODE / SKS: KD / 2 SKS Minggu Pokok Bahasan ke dan TIU 1 1. Pendahulua n tentang konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika Mahasiswa dapat menjelaskan pengertian statistika

Lebih terperinci

CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya

CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan

Lebih terperinci

FUNGSI PELUANG GABUNGAN M A P E N G A N T A R S T A T I S T I K A 14 F E B R U A R I 2013 U T R I W E N I M U K H A I Y A R

FUNGSI PELUANG GABUNGAN M A P E N G A N T A R S T A T I S T I K A 14 F E B R U A R I 2013 U T R I W E N I M U K H A I Y A R FUNGSI PELUANG GABUNGAN M A 4 0 8 5 P E N G A N T A R S T A T I S T I K A 14 F E B R U A R I 2013 U T R I W E N I M U K H A I Y A R ILUSTRASI Suatu perusahaan properti memiliki banyak gedung/bangunan yang

Lebih terperinci

DISTRIBUSI DISKRIT KHUSUS

DISTRIBUSI DISKRIT KHUSUS DISTRIBUSI DISKRIT KHUSUS U N I F O R M ( S E R A G A M ) B E R N O U L L I B I N O M I A L P O I S S O N MA 4085 Pengantar Statistika 26 Februari 2013 Utriweni Mukhaiyar M U L T I N O M I A L H I P E

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci

Lebih terperinci

UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT

UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah,, ST., MT UJI KERANDOMAN (RANDOMNESS TEST / RUN TEST) Uji KERANDOMAN Untuk menguji apakah data sampel yang diambil merupakan data yang acak / random Prosedur

Lebih terperinci

Konsep Peluang. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015

Konsep Peluang. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015 Konsep Peluang Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015 1 THE ROLE OF PROBABILITY IN STATISTICS Probability and statistics are related in an important way. Probability is used as a tool; it allows

Lebih terperinci

Learning Outcomes Peubah Acak Fungsi Sebaran Secaran Diskret Nilai Harapan. Peubah Acak. Julio Adisantoso. 13 Maret 2014

Learning Outcomes Peubah Acak Fungsi Sebaran Secaran Diskret Nilai Harapan. Peubah Acak. Julio Adisantoso. 13 Maret 2014 13 Maret 2014 Learning Outcome Mahasiswa dapat memahami dan menentukan peubah acak dari suatu kejadian Mahasiswa dapat memahami fungsi sebaran Mahasiswa dapat mengerti dan menentukan peubah acak diskret

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 5 BAB LANDASAN TEORI Efisiensi Menurut Vincent Gaspersz (998, hal 4), efisiensi adalah ukuran yang menunjukan bagaimana baiknya sumber daya digunakan dalam proses produksi untuk menghasilkan output Efisiensi

Lebih terperinci

PROYEKSI ORTHOGONAL PADA RUANG HILBERT. ROSMAN SIREGAR Fakultas Matematika Dan Ilmu Pengetahuan Jurusan Matematika Universitas Sumatera Utara

PROYEKSI ORTHOGONAL PADA RUANG HILBERT. ROSMAN SIREGAR Fakultas Matematika Dan Ilmu Pengetahuan Jurusan Matematika Universitas Sumatera Utara PROYEKSI ORTHOGONAL PADA RUANG HILBERT ROSMAN SIREGAR Fakultas Matematika Dan Ilmu Pengetahuan Jurusan Matematika Universitas Sumatera Utara Pendahuluan Pada umumnya suatu teorema mempunyai ruang lingkup

Lebih terperinci

Peluang. Jadi, Ruang Sampel sebanyak {6}. Pada Dadu, ada 1, 2, 3, 4, 5, 6. Pada Kartu Remi, ada : Jadi, Ruang Sampel sebanyak {52}.

Peluang. Jadi, Ruang Sampel sebanyak {6}. Pada Dadu, ada 1, 2, 3, 4, 5, 6. Pada Kartu Remi, ada : Jadi, Ruang Sampel sebanyak {52}. Peluang A. Populasi dan Sampel Populasi adalah himpunan semua obyek yang diteliti. Sampel adalah himpunan bagian dari populasi. Contoh: Dalam rangka menentukan tingkat kecerdasan rata-rata siswa SMP di

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

ANALISIS PEMECAHAN MASALAH DAN PENGAMBILAN KEPUTUSAN. I S K A N D A R I N I Fakultas Pertanian Jurusan Sosial Ekonomi Universitas Sumatera Utara

ANALISIS PEMECAHAN MASALAH DAN PENGAMBILAN KEPUTUSAN. I S K A N D A R I N I Fakultas Pertanian Jurusan Sosial Ekonomi Universitas Sumatera Utara ANALISIS PEMECAHAN MASALAH DAN PENGAMBILAN KEPUTUSAN I S K A N D A R I N I Fakultas Pertanian Jurusan Sosial Ekonomi Universitas Sumatera Utara A. Kerangka Analisis Strategis Kegiatan yang paling penting

Lebih terperinci

Groebner, Mark, (2009). Business Statistics: A Decision- Making Approach, 7e 2008 Prentice-Hall, Inc.

Groebner, Mark, (2009). Business Statistics: A Decision- Making Approach, 7e 2008 Prentice-Hall, Inc. STATISTIK BISNIS BUKU ACUAN: Groebner, Mark, (2009). Business Statistics: A Decision- Making Approach, 7e 2008 Prentice-Hall, Inc. Aczel dan Sounderpandian. (2002). Complete Business Statistics. Edisi

Lebih terperinci

PENGAPLIKASIAN SISTEM INFORMASI MANAJEMEN DENGAN SISTEM INFORMASI DALAM PEROSES PENGAMBILAN KEPUTUSAN FAIGIZIDUHU BU ULOLO

PENGAPLIKASIAN SISTEM INFORMASI MANAJEMEN DENGAN SISTEM INFORMASI DALAM PEROSES PENGAMBILAN KEPUTUSAN FAIGIZIDUHU BU ULOLO PENGAPLIKASIAN SISTEM INFORMASI MANAJEMEN DENGAN SISTEM INFORMASI DALAM PEROSES PENGAMBILAN KEPUTUSAN FAIGIZIDUHU BU ULOLO Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara BAB I

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 7 BAB II LANDASAN EORI 2.. Dasar Dasar Peluang Program stokastik adalah salah satu cabang matematika yang berhubungan dengan keputusan optimal dalam keadaan tidak pasti yang dinyatakan dengan distribusi

Lebih terperinci

Ekspektasi Satu Peubah Acak Kontinu

Ekspektasi Satu Peubah Acak Kontinu Chandra Novtiar 0857948015 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG Garis Besar Pembahasan Sub Pokok Pembahasan

Lebih terperinci

PENJABARAN MATA KULIAH (COURSE OUTLINE)

PENJABARAN MATA KULIAH (COURSE OUTLINE) UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-05/RO Versi : 1 Tanggal Revisi : 25 Juli 2011 Revisi : 1 Tanggal Berlaku : 1 September 2011 PENJABARAN MATA KULIAH (COURSE OUTLINE) A. IDENTITAS MATA KULIAH Nama

Lebih terperinci

Keputusan MODUL OLEH

Keputusan MODUL OLEH Modul 5. Penanganan Ketidakpastian dan Diagram Keputusan ANALISAA SISTEM DAN PENGAMBILAN KEPUTUSAN MODUL V: PENANGANAN KETIDAKPASTIAN DAN DIAGRAM KEPUTUSAN OLEH : Prof. Dr. Ir. Marimin, M.Sc DEPARTEMEN

Lebih terperinci

Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN

Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN Objektif: 1. Mahasiswa dapat mencari penyelesaian masalah dengan model keputusan dalam kepastian 2. Mahasiswa dapat mencari penyelesaian masalah dengan model keputusan

Lebih terperinci

BAB 9 DISTRIBUSI PELUANG KONTINU

BAB 9 DISTRIBUSI PELUANG KONTINU BAB 9 DISTRIBUSI PELUANG KONTINU A. Pengertian Distribusi Peluang Kontinu Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh semua nilai pada skala kontinu. Ruang sampel kontinu adalah

Lebih terperinci

Statistik TEORI PROBABILITAS PERMUTASI DAN KOMBINASI. Yusnina, M.Stat. Pembuka. Modul ke: Daftar Pustaka. Akhiri Presentasi.

Statistik TEORI PROBABILITAS PERMUTASI DAN KOMBINASI. Yusnina, M.Stat. Pembuka. Modul ke: Daftar Pustaka. Akhiri Presentasi. Modul ke: Fakultas Teknik Statistik TEORI PROBABILITAS PERMUTASI DAN KOMBINASI Yusnina, M.Stat Program Studi Teknik Mesin www.mercubuana.ac.id Pembuka Daftar Pustaka Akhiri Presentasi Pendahuluan Suatu

Lebih terperinci

BAB IV MODEL HIDDEN MARKOV

BAB IV MODEL HIDDEN MARKOV BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen

Lebih terperinci

KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN MOMENTS METHOD

KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN MOMENTS METHOD KAJIAN ESTIMASI PARAMETER BERDISTRIBUSI GAMMA DENGAN MOMENTS METHOD DAN MAXIMUM LIKELIHOOD ESTIMATOR; SUATU TERAPAN DATA PARUH WAKTU DAN DATA SIMULASI SEBAGAI PERBANDINGAN SKRIPSI REHDAMENTA S TARIGAN

Lebih terperinci

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF & PRAKTIKUM (AKN) KODE / SKS: KD / 3 SKS

SATUAN ACARA PERKULIAHAN MATA KULIAH STATISTIKA DESKRIPTIF & PRAKTIKUM (AKN) KODE / SKS: KD / 3 SKS Minggu Pokok Bahasan ke dan TIU 1 1. Penahuluan konsep statistika dan notasi penjumlahan Sub Pokok Bahasan dan Sasaran Belajar 1.1. Konsep statistika Mahasiswa dapat menjelaskan pengertian statistika Mahasiswa

Lebih terperinci

Probabilitas dan Statistika Variabel Acak dan Fungsi Distribusi Peluang Diskrit. Adam Hendra Brata

Probabilitas dan Statistika Variabel Acak dan Fungsi Distribusi Peluang Diskrit. Adam Hendra Brata dan Statistika dan Fungsi Peluang Adam Hendra Brata acak adalah sebuah fungsi yang memetakan hasil kejadian yang ada di alam (seperti : buka dan tutup; terang, redup dan gelap; merah, kuning dan hijau;

Lebih terperinci

MAKALAH PELUANG OLEH :

MAKALAH PELUANG OLEH : MAKALAH PELUANG OLEH : Nama Kelompok 1. Asri Sihotang NIM.41031110 2. Astika Laras Hutagaol NIM.4103111012 3. Bethesda Butarbutar NIM.4103111013 4. Sefta A P Hutauruk NIM.4103111072 JURUSAN MATEMATIKA

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal

Lebih terperinci

HUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM.

HUKUM ITERASI LOGARITMA. TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. HUKUM ITERASI LOGARITMA TUGAS AKHIR untuk memenuhi sebagian persyaratan memperoleh gelar sarjana sains SORTA PURNAWANTI NIM. 00290 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

STK 211 Metode statistika. Materi 4 Peubah Acak dan Sebaran Peluang

STK 211 Metode statistika. Materi 4 Peubah Acak dan Sebaran Peluang STK 211 Metode statistika Materi 4 Peubah Acak dan Sebaran Peluang 1 Pendahuluan Soal ujian masuk PT diselenggarakan dengan sistem pilihan berganda. Jika jawaban benar diberi nilai 4, salah dikurangi 1

Lebih terperinci

Metode Statistika STK211/ 3(2-3)

Metode Statistika STK211/ 3(2-3) Metode Statistika STK211/ 3(2-3) Pertemuan IV Konsep Peluang Septian Rahardiantoro - STK IPB 1 Populasi Pengambilan contoh dari populasi untuk pendugaan parameter Contoh1 Parameter μ Statistik x Setara

Lebih terperinci

Statistika Farmasi

Statistika Farmasi Bab 3: Distribusi Data Statistika FMIPA Universitas Islam Indonesia Distribusi Data Teori dalam statistika berkaitan dengan peluang Konsep dasar peluang tersebut berkaitan dengan peluang distribusi, yaitu

Lebih terperinci

RESIKO AUDIT M. UTAMA NASUTION. Program Studi Akuntansi Fakultas Ekonomi Universitas Sumatera Utara

RESIKO AUDIT M. UTAMA NASUTION. Program Studi Akuntansi Fakultas Ekonomi Universitas Sumatera Utara RESIKO AUDIT M. UTAMA NASUTION Program Studi Akuntansi Fakultas Ekonomi Universitas Sumatera Utara A. PENDAHULUAN Resiko pemeriksaan (Audit Risk) telah lama diakui adanya dan diterima sebagai suatu hal

Lebih terperinci

Distribusi Peubah Acak

Distribusi Peubah Acak Chandra Novtiar 085794801125 chandramathitb07@gmail.com PROGRAM STUDI PENDIDIKAN MATEMATIKA SEKOLAH TINGGI KEGURUAN DAN ILMU PENDIDIKAN (STKIP) SILIWANGI BANDUNG 4 April 2017 Garis Besar Pembahasan FUNGSI

Lebih terperinci

Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif

Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi

Lebih terperinci

P E L U A N G. B. Peluang Kejadian Majemuk. Materi W12b. 1. Kejadian Majemuk saling Lepas 2. Kejadian Majemuk saling Bebas. Kelas X, Semester 2

P E L U A N G. B. Peluang Kejadian Majemuk. Materi W12b. 1. Kejadian Majemuk saling Lepas 2. Kejadian Majemuk saling Bebas. Kelas X, Semester 2 Materi W12b P E L U A N G Kelas X, Semester 2 B. Peluang Kejadian Majemuk 1. Kejadian Majemuk saling Lepas 2. Kejadian Majemuk saling Bebas www.yudarwi.com B. Peluang Kejadian Majemuk Kejadian majemuk

Lebih terperinci

MODEL PROGRAM STOKASTIK DALAM TRANSPORTASI DAN LOGISTIK

MODEL PROGRAM STOKASTIK DALAM TRANSPORTASI DAN LOGISTIK MODEL PROGRAM STOKASTIK DALAM TRANSPORTASI DAN LOGISTIK Chairunisah Abstrak Problema transportasi dan logistik dikarakteristikkan dengan proses informasi yang sangat dinamis, seperti : pesanan konsumen

Lebih terperinci

MATERI STATISTIK II. Genrawan Hoendarto

MATERI STATISTIK II. Genrawan Hoendarto MATERI STATISTIK II Teori Probabilitas Variabel Acak dan Nilai Harapan Distribusi Teoritis Distribusi Sampling Pengujian Hipotesis Regresi dan Korelasi Linear Sederhana Statistik Nonparametrik Daftar Pustaka

Lebih terperinci

PEUBAH ACAK DAN SEBARANNYA

PEUBAH ACAK DAN SEBARANNYA LOGO STATISTIKA MATEMATIKA I PEUBAH ACAK DAN SEBARANNYA Hazmira Yozza Izzati Rami HG Jurusan Matematika FMIPA Universitas Andalas Percobaan : Pelemparan dua mata uang AA AG GA GG S X Definisi 2.1. Peubah

Lebih terperinci

Arisma Yuni Hardiningsih. Dra. Laksmi Prita Wardhani, M.Si. Jurusan Matematika. Surabaya

Arisma Yuni Hardiningsih. Dra. Laksmi Prita Wardhani, M.Si. Jurusan Matematika. Surabaya ANALISIS KESTABILAN DAN MEAN DISTRIBUSI MODEL EPIDEMIK SIR PADA WAKTU DISKRIT Arisma Yuni Hardiningsih 1206 100 050 Dosen Pembimbing : Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Institut Teknologi

Lebih terperinci

PENGENALAN STATISTIKA

PENGENALAN STATISTIKA PENGENALAN STATISTIKA 1 Tujuan Instruksional Khusus Pokok Bahasan Sub Pokok Bahasan Waktu Sumber Membekali mahasiswa agar lebih paham dan menguasai teori terkait: data dan cara pengumpulan data serta manfaat

Lebih terperinci

PERTEMUAN 6 TEORI PENGAMBILAN KEPUTUSAN

PERTEMUAN 6 TEORI PENGAMBILAN KEPUTUSAN PERTEMUAN 6 TEORI PENGAMBILAN KEPUTUSAN Pertemuan 6 TEORI PENGAMBILAN KEPUTUSAN Objektif: 1. Mahasiswa dapat mencari penyelesaian masalah dengan model keputusan dalam kepastian 2. Mahasiswa dapat mencari

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 Banyak masalah nyata yang dapat dibawa ke model program linear. Metode penyelesaian program linear telah digunakan para ahli untuk menyelesaikan masalah di

Lebih terperinci

DISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30

DISTRIBUSI TEORITIS. P(M) = p = probabilitas untuk mendapat bola merah (sukses) 30 DISTRIBUSI TEORITIS Distribusi teoritis merupakan alat bagi kita untuk menentukan apa yang dapat kita harapkan, apabila asumsi-asumsi yang kita buat benar. Distribusi teoritis memungkinkan para pembuat

Lebih terperinci

SILABUS RANCANGAN PEMBELAJARAN SATU SEMESTER SEMESTER GENAP PERIODE : JANUARI JUNI 2017

SILABUS RANCANGAN PEMBELAJARAN SATU SEMESTER SEMESTER GENAP PERIODE : JANUARI JUNI 2017 SILABUS RANCANGAN PEMBELAJARAN SATU SEMESTER SEMESTER GENAP 2016 2017 PERIODE : JANUARI JUNI 2017 Kelompok Mata Kuliah Nama / Kode Mata Kuliah Bobot Mata Kuliah Program Studi Semester Dosen Pembina : MKK

Lebih terperinci

Medan, Juli Penulis

Medan, Juli Penulis 9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih

Lebih terperinci

Peluang dan Kejadian (Event) Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB

Peluang dan Kejadian (Event) Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB Peluang dan Kejadian (Event) Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Kejadian (event) Kejadian adalah himpunan bagian (subset) dari

Lebih terperinci

Sistem Pengendalian Persediaan Dengan Permintaan Dan Pasokan Tidak Pasti (Studi Kasus Pada PT.XYZ)

Sistem Pengendalian Persediaan Dengan Permintaan Dan Pasokan Tidak Pasti (Studi Kasus Pada PT.XYZ) JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Sistem Pengendalian Persediaan Dengan Permintaan Dan Pasokan Tidak Pasti (Studi Kasus Pada PT.XYZ) Ayu Tri Septadianti, Drs. I Gusti Ngurah Rai Usadha,

Lebih terperinci

ANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM

ANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM Saintia Matematika Vol., No. 2 (2), pp. 9 9. ANALISIS ESTIMASI PERUBAHAN MINAT MAHASISWA UNIVERSITAS SUMATERA UTARA TERHADAP TUJUH OPERATOR GSM Hasoloan M Nababan, Open Darnius Sembiring, Ujian Sinulingga

Lebih terperinci

PRAKTIKUM STATISTIKA INDUSTRI 2013 MODUL IV PENGUJIAN HIPOTESIS

PRAKTIKUM STATISTIKA INDUSTRI 2013 MODUL IV PENGUJIAN HIPOTESIS PRAKTIKUM STATISTIKA INUSTRI 3 PENGUJIAN HIPOTESIS A. TUJUAN PRAKTIKUM Melalui praktikum Modul IV ini diharapakan praktikan dapat:. Melakukan pengujian hipotesis secara statistik dengan prosedur yang benar..

Lebih terperinci

STK511 Analisis Statistika. Pertemuan 3 Sebaran Peluang Peubah Acak

STK511 Analisis Statistika. Pertemuan 3 Sebaran Peluang Peubah Acak STK511 Analisis Statistika Pertemuan 3 Sebaran Peluang Peubah Acak Beberapa Konsep Dasar Percobaan statistika: kegiatan yang hasil akhir keluarannya tidak diketahui di awal, tetapi kemungkinan-kemungkinannya

Lebih terperinci

PENERAPAN TEORI KOMBINATORIAL, PELUANG DISKRIT, DAN POHON KEPUTUSAN DALAM PERMAINAN YAHTZEE

PENERAPAN TEORI KOMBINATORIAL, PELUANG DISKRIT, DAN POHON KEPUTUSAN DALAM PERMAINAN YAHTZEE PENERAPAN TEORI KOMBINATORIAL, PELUANG DISKRIT, DAN POHON KEPUTUSAN DALAM PERMAINAN YAHTZEE Gifari Kautsar 13512020 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi

Lebih terperinci

AK5161 Matematika Keuangan Aktuaria

AK5161 Matematika Keuangan Aktuaria Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika

Lebih terperinci

STATISTIKA LINGKUNGAN

STATISTIKA LINGKUNGAN STATISTIKA LINGKUNGAN TEORI PROBABILITAS Probabilitas -pendahuluan Statistika deskriptif : menggambarkan data Statistik inferensi kesimpulan valid dan perkiraan akurat ttg populasi dengan mengobservasi

Lebih terperinci

Penelitian Operasional II Rantai Markov RANTAI MARKOV

Penelitian Operasional II Rantai Markov RANTAI MARKOV Penelitian Operasional II Rantai Markov 49 4. RANTAI MARKOV 4. PENDAHULUAN Dalam masalah pengambilan suatu keputusan, seringkali kita diperhadapkan dengan suatu ketidakpastian. Permasalahan ini dapat dimodelkan

Lebih terperinci

Peubah Acak (Lanjutan)

Peubah Acak (Lanjutan) Learning Outcomes 13 April 2014 Learning Outcomes Learning Outcome Outline Mahasiswa dapat mengerti dan menentukan peubah acak diskret Mahasiswa dapat memahami dan menghitung nilai harapan Mahasiswa dapat

Lebih terperinci

ULASAN MENENTUKAN RANGE DALAM MATERI STATISTIKA di SMA KELAS XI (Oleh Theresia Widyantini)

ULASAN MENENTUKAN RANGE DALAM MATERI STATISTIKA di SMA KELAS XI (Oleh Theresia Widyantini) ULASAN MENENTUKAN RANGE DALAM MATERI STATISTIKA di SMA KELAS XI (Oleh Theresia Widyantini) 1. Pendahuluan Salah satu kompetensi dasar dalam mata pelajaran matematika SMA untuk kelas XI terkait aspek satistika

Lebih terperinci

Setelah mengikuti mata kuliah ini mahasiswa mampu menjelaskan prinsipprinsip dasar statistika, dan mampu melakukan beberapa analisis statistika

Setelah mengikuti mata kuliah ini mahasiswa mampu menjelaskan prinsipprinsip dasar statistika, dan mampu melakukan beberapa analisis statistika 2 N i 1 x i N 2 Z X Setelah mengikuti mata kuliah ini mahasiswa mampu menjelaskan prinsipprinsip dasar statistika, dan mampu melakukan beberapa analisis statistika sederhana s 2 n i 1 x i x n 1 2 No.

Lebih terperinci

Konsep Dasar Peluang

Konsep Dasar Peluang Konsep Dasar Peluang Pendahuluan Prediksi kejadian sangat diperlukan dan diminati dalam berbagai bidang kehidupan. Seperti peramalan cuaca, penelitian ilmiah, permainan, bisnis, dll. Ruang contoh : Himpunan

Lebih terperinci

I. PENDAHULUAN II. TINJAUAN PUSTAKA

I. PENDAHULUAN II. TINJAUAN PUSTAKA I. PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang, ditengah berkembangnya dunia industri tentunya terdapat berbagai permasalahan dalam bidang-bidang keindustrian. Permasalahan-permasalahan yang biasa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 8 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa konsep teori permainan pada permainan berstrategi murni dan campuran dari dua pemain yang akan digunakan sebagai landasan berpikir dalam melakukan

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 Dengan berkembangnya teknologi yang semakin canggih banyak sekali perusahaan yang bergerak di bidang jasa maupun manufaktur yang menyebabkan persaingan yang

Lebih terperinci

Perencanaan Inventori Bahan Baku SPM Dengan Model P Back Order

Perencanaan Inventori Bahan Baku SPM Dengan Model P Back Order Perencanaan Inventori Bahan Baku SPM Dengan Model P Back Order Edi Junaedi 1, Lely Herlina 2, Evi Febianti 3 1, 2, 3 Jurusan Teknik Industri Universitas Sultan Ageng Tirtayasa edi_junaedist@yahoo.com 1,

Lebih terperinci

Pertemuan 1 KONSEP DASAR PROBABILITAS

Pertemuan 1 KONSEP DASAR PROBABILITAS Pertemuan 1 KONSEP DASAR PROBABILITAS Pengantar Banyak kejadian dalam kehidupan sehari-hari yang sulit diketahui dengan pasti, terutama kejadian yang akan datang. Meskipun kejadian-kejadian tersebut tidak

Lebih terperinci

KONSEP DASAR TERKAIT METODE BAYES

KONSEP DASAR TERKAIT METODE BAYES KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan

Lebih terperinci

GAMBARAN KETENAGAKERJAAN PROPINSI JAMBI. IR. SINAR INDRA KESUMA Fakultas Pertanian Jurusan Sosial Ekonomi Universitas sumatera Utara I.

GAMBARAN KETENAGAKERJAAN PROPINSI JAMBI. IR. SINAR INDRA KESUMA Fakultas Pertanian Jurusan Sosial Ekonomi Universitas sumatera Utara I. GAMBARAN KETENAGAKERJAAN PROPINSI JAMBI IR. SINAR INDRA KESUMA Fakultas Pertanian Jurusan Sosial Ekonomi Universitas sumatera Utara I. PENDAHULUAN Sumber daya manusia atau human resources mengandung dua

Lebih terperinci

oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS

oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS Dasar Statistik untuk Pemodelan dan Simulasi oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS . Probabilitas Probabilitas=Peluang, bisa diartikan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Teori Probabilitas (Peluang) Probabilitas adalah suatu nilai untuk mengukur tingkat kemungkinan terjadinya suatu peristiwa (event) akan terjadi di masa mendatang yang hasilnya

Lebih terperinci