FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA PADA PRIEST RIVER EXPERIMENTAL FOREST S DATA
|
|
- Handoko Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA (Siaa Halim, et al.) FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA PADA PRIEST RIVER EXPERIMENTAL FOREST S DATA Siaa Halim, Idriati Bisoo Fakultas Tekologi Idustri, Jurusa Tekik Idustri, Uiversitas Kriste Petra, Surabaya {halim,mlidri@petra.ac.id ABSTRAK Dalam paper ii aka diberika beberapa model utuk megestimasi fugsi regresi bila sebuah data Y diberika. Pembuata fugsi fugsi estimasti tersebut uga diberika dega megguaka freeware statistik R da uga diberika beberapa trik dalam pemrograma. Model-model ii diaplikasika pada Priest River Experimetal Forest s data. Kata kuci: regresi oparametrik, smoothig, kerel, R. ABSTRACT I this paper we discuss some models for estimatig the regressio fuctio, provided the data Y is give. The programmig of these fuctio are preseted as well as the tricks i the R- programmig, a statistical freeware. We applied these models to The Priest River Experimetal Forest s data. Keywords: oparametric regressio, smoothig, kerel, R.. PENDAHULUAN Tuua dasar dalam sebuah aalisa regresi adalah utuk mempelaari bagaimaa respo sebuah peubah Y terhadap perubaha yag teradi pada peubah lai yaitu X. Hubuga atara X da Y dapat dituliska sebagai berikut: Y = r(x) +ε () dimaa r adalah fugsi matematik, yag disebut sebagai fugsi regresi da ε adalah error yag megiika teradiya deviasi dari hubuga yag muri determiistik. Pada aplikasi, kita megumpulaka data (X,Y ),,(X,Y ) yag berisi iformasi tetag fugsi r. Dari data-data ii kita dapat meduga ataupu megestimasi fugsi r tersebut. Jika pegetahua kita tetag fugsi r ii miim, maka estimasi terhadap fugsi r ii dapat didekati secara oparametrik. Agar pedekata oparametrik ii meghasilka estimasi terhadap r yag masuk akal, maka hal yag harus diperhatika adalah asumsi bahwa r memiliki deraat kemulusa. Biasaya kotiuitas dari r merupaka syarat yag cukup utuk meami sebuah estimator aka koverge pada r yag sesugguhya bila umlah data bertambah tapa batas. Sebagai badiga dari metode oparametrik tetuya adalah metode parametrik, yag medomiasi statistika klasik. Adaika peubah X diketahui berada pada selag [,]. Cotoh sederhaa dari model parametrik utuk r pada Persamaa (), adalah persamaa garis lurus, r(x) = θ + θx, x 73
2 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 73-8 dimaa θ da θadalah kostata yag tidak diketahui. Lebih umum lagi r dapat diyataka sebagai kombiasi liear sebagai berikut, p r( x) = θ r ( x) x i= i i di maa r,...,rp adalah fugsi-fugsi yag diketahui da θ,...,θ p adalah kostata yag tidak diketahui. Jika asumsi kita terhadap sebuah model parametrik dibearka, fugsi regresi dapat diestimasi dega cara yag lebih efisie daripada dega megguaka sebuah metode oparametric. Namu demikia ika asumsi terhadap model parametric ii salah, maka hasilya aka memberika kesimpula yag salah terhadap fugsi regresi. Dalam paper ii aka dipresetasika, beberapa model dari regresi oparametrik, beserta aplikasiya pada data Priest River Experimetal Forest s dega megguaka software R.. IDE DASAR DARI SMOOTHING Tuua dari smoothig adalah utuk membuag variabilitas dari data yag tidak memiliki effek sehigga ciri-ciri dari data aka tampak lebih elas. Smoothig telah meadi sioim dega metode-metode oparametrik yag diguaka utuk megestimasi fugsi-fugsi. Beberapa metode smothig dalam bermacam-macam koteks dapat diumpai di Priestley (98), Silverma(986), Eubak (988), Haerdle (99), Hart(997). Jika diberika data observasi Y,...,Y pada titik-titik desai yag tetap (fixed desig poits) x,,x, secara berturuta (agar lebih mudah, kita adaika saa <x <... < x < ). Asumsika data memiliki model sebagai berikut: Y = r(x ) + ε, =,, () dimaa r adalah sebuah fugsi yag didefiisika pada selag [,] da ε,...,ε adalah peubah acak yag merepresetasika error. Biasaya kita megasumsika E( ε ) = da Var ( ε i ) = σ, i =,..,. Tuua dari data aalist adalah meduga fugsi regresi r pada tiap x di [,]. Utuk itu dalam subbab ii aka diberika beberapa metode utuk megestimasi fugsi regresi ii da cara meuliskaya dalam program R.. Rata-rata lokal (Local Averagig) Rata-rata local merupaka cara yag palig sederhaa. Misalka kita igi megestimasi fugsi r(x) utuk beberapa x [,]. Jika r adalah fugsi yag kotiu, maka ilai-ilai fugsi pada x i yag dekat dega x seharusya aka cukup dekat dega r(x). Hal ii memberika usula bahwa merata-rata ilai Y i yag bersesuaia dega x i yag dekat dega x aka meghasilka estimator tak bias utuk fugsi r(x). i Program haya aka diberika pada beberapa metode saa, utuk metode yag aalog aka diberika satu program saa. 74
3 FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA (Siaa Halim, et al.) Cotoh Misalka kita memiliki 5 data titik, yag disimulasika sebagai berikut Y = r(x ) + ε, =,,5 di maa r(x ) = (-(x-) ), x x =(-.5)/5, =,,5, da ε ~ N(,(.5) ). Utuk tiap x, perhatika selag [x-h,x+h], dimaa h adalah bilaga positif yag cukup kecil ilaiya. Rata-ratalah pasaga (x, Y ) yag berada pada selag tersebut, da hitug rata-rata utuk seluruh Y yag lai. Nilai rata-rata ii merupaka estimasi dari r(x). Program dega megguaka R dapat dilihat pada Lampira. Gambar. Estimasi dega rata-rata lokal, dega ilai h dari atas ke bawah adalah h =.4, h =.88 da h =.6. Garis lurus adalah r(x) yag sebearya, titik-titik adalah ilai Y da garis terputus-putus adalah estimasi dega megguaka rata-rata lokal. Dari Gambar, dapat kita lihat bila ilai h terlalu kecil maka estimasi yag didapat aka sama dega Y, tetapi bila h terlalu besar maka estimasi yag kita peroleh terlalu mulus. Tetu saa dalam keyataa, metode ii tidak perah diguaka. Diberika di sii haya utuk memberika gambara sederhaa tetag regresi oparametrik. Kerel Smoothig Pada kerel smoothig rerata sederhaa di atas digatika dega umlaha berbobot, biasaya bobot yag lebih besar diberika pada Y yag ilai x ya medekati titik estimasi x. Di sii aka diberika tiga macam kerel smoothig, yaitu 75
4 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: Nadaraya Watso estimate ^ NW = ) / h) r h ( x) =, x (3) K(( x x ) / h) Y K(( x x = di maa K adalah fugsi yag disebut sebagai kerel, sedagka h adalah kuatitas yag disebut sebagai badwidth atau smoothig parameter, da yag megkotrol kemulusa (smoothess) dari NW r^ h. Beberapa tipe dari fugsi kerel K K R adalah: K R ( u) = I (,) ( u) dimaa I A merupaka fugsi idikator utuk himpua A, yaitu,, x A I A ( x) =, x A Kerel K R disebut sebagai rectagular kerel. Piliha K yag umum adalah kerel Gaussia, yaitu u K G ( u) = exp π Tipe kerel lai yag uga serig diguaka adalah kerel Epaechikov, ( u) =.75( u ), u < K E.. Priestley Chao estimate ^ PC x xi r ( x) = ( xi xi Yi K h ) (4) h i= h..3 Gasser Muller estimate ^ GM si x u r ( x) = Y h i K du (5) h i= s h i di maa s =, s i = (x i +x i+ )/, i=,,- da s =..3 Badwidth Optimum Telah diketahui secara umum, bahwa permasalaha utama pada kerel smoothig buka terletak pada pemiliha kerel tetapi pada pemiliha badwidth (lihat Tabel. Silverma, B.W (986). Pemiliha badwidth optimum lebih ditekaka pada peyeimbaga atara bias da variace, seperti terlihat pada Gambar. Satu perumusa masalah yag dapat memperlihatka hubuga atara bias da variace adalah mea square error MSE (lihat pada Lemma ), karea itu dega memiimumka MSE maka permasalah atara bias da variace di atas dapat dimiimumka uga. 76
5 FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA (Siaa Halim, et al.) Lemma : MSE f(x) dapat diuraika sebagai umlaha atara bias kuadrat da variace dari f(x) Bukti MSE f(x) = E[ f ( x) f ( x)] ^ = E[ f ( x) Ef ( x) + Ef ( x) f ( x)] ^ = E[ f ( x) Ef ( x)] + E[ f ( x) Ef ( x)][ Ef ( x) f ( x)] + E[ Ef ( x) f ( x)] = Variace(f(x)) + Bias(f(x)) : Badwidth optimum utuk Kerel Gasser Muller adalah dimaa J k = K ( u) du, k = h / 5 σ J k = 4 ( )[ ''( )] f x r x σ k / 5 σ u k( u) du adalah kostata yag tergatug ilai dari K. Peurua persamaa di atas dapat dilihat pada (Haerdle, 99). ^ ^ (6) 3. DATA Priest River Experimetal Forest s data (Pref data) adalah data peelitia huta di Norther Idaho, USA yag dilaksaaka pada Juli-Agustus. Huta seluas 53 hektar tersebut dibagi meadi 9 strata yag terdiri atas 3 level ketiggia da 3 level solar isolatio. Pada setiap strata ditetuka 4 cluster yag dipilih secara acak. Observasi dilakuka pada setiap cluster dega memilih beberapa poho secara acak da megukur diameter poho di ketiggia.3m. Haya 85% dari poho yag terpilih yag uga diukur tiggiya. Selai itu dicatat pula species dari masig-masig poho. Jelas bahwa Pref data ii mempuyai struktur hirarkis, yaki poho terletak di dalam cluster yag terletak didalam strata tertetu. Namu dalam tulisa ii faktor cluster da strata tidak diperhatika. Grafik dari tiggi versus diameter dari poho yag di-sample memperlihatka relasi liier atara tiggi da diameter (lihat Gambar ). Dari aalisa data awal teryata ada variabel (fixed effect) yag berpegaruh pada pemodela tiggi poho; yaki diameter da species. Namu, pemodela dega metode oparametrik di atas diguaka utuk data dega satu variabel saa. Oleh karea itu, metode-metode di atas diaplikasika pada data dari salah satu species saa. 4. PENGOLAHAN DATA DAN ANALISA Fugsi kerel yag dipakai adalah Epaechikov kerel, dega alasa ilai itegralya dapat dihitug secara aalitik. Namu demikia kita harus memperhatika bahwa support dari kerel ii berada pada selag [-,], sehigga pada program kita harus memisahka apakah sebuah ilai s i berada pada (-,], [-,], [-, ), (-,-) atau (, ). Dalam makalah ii aka dituukka tiga metode, yaitu metode liear regressi klasik, da metode oparametrik dega megguka dua kerel, Nadaraya-Watso da Gasser-Mueller. Plot dari ketiga metode ii dapat dilihat pada Gambar Gambar 5. Sedagka aalisa pemiliha metode yag terbaik, dilakuka dega cara sederhaa, yaitu pada pegukura stadard error, lihat pada Tabel. Metode Gasser 77
6 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 73-8 Mueller memberika stadard error yag terkecil. Stadard error ii dihitug dega megabaika satu alai terakhir, hal ii karea adaya kelemaha pada metode Gasser Mueller ii pada boudary. Pada boudary, ilai x i yag bisa dihitug pada Persamaa (5) lebih sedikit dibadigka bila x i tersebut berada di tegah (Hart, 997). Gambar. Plot Tiggi (m) Versus Diameter (cm) Poho dari Pref Data Diameter vs Fitted Fitted Values (height, m.) Diameter(cm.) Gambar 3. Liear Regressi 78
7 FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA (Siaa Halim, et al.) y Gambar 4. Nadaraya Watso dega Megguaka h Optimum x y Gambar 5. Gasser Mueller dega Megguaka h Optimum, Tapa Perbaika x 79
8 JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 6: 73-8 Tabel. Perbadiga Metode berdasarkaa pada ilai stadard error Metode Stadard error Least Square method 3.83 Nadaraya Watso Gassermuller KESIMPULAN DAN CATATAN Pada tulisa di atas telah dielaska beberapa macam kerel, da cara meuliskaya dega megguaka Program R, amu demikia beberapa hal belum diawab, yaitu masalah pada boudary. Hal ii terlihat elas pada Gambar 5, pada bagia uug kurva yag dibagu dega pedekata Gasser Mueller, kurva meadi terlalu bias. Utuk itu biasaya diguaka koreksi pada regresi Noparametrik ii. Pedekata yag diguaka utuk memperbaiki masalah di boudary dapat dilihat, misalya, Gasser da Mueller (979), Mueller (987). DAFTAR PUSTAKA Eubak, R.L., 988, Splie smoothig ad Noparametric Regressio, Marcel Dekker, New York.. Gasser, T. ad Mueller, H. G., 979, Kerel estimatio of regressio fuctios, i Gasser ad Roseblatt (eds), Smoothig Techiques for Curve Estimatio, Spriger Verlag, Heidelberg. Haerdle, W, 99, Itroductio to Noparametric Regressio, Hart, J.D, 997, Noparametric Smoothig ad Lack-of-Fit Test, Spiger, New York. Mueller, H. G., 987, Weighted local regressio ad kerel methods for oparametric curve_ttig, Joural of the America Statistical Associatio 8: 3{8. Silverma, B.W., 986, Desity Estimatio for statistics ad Data Aalysis, Chapma & Hall, Lodo. 8
9 FUNGSI-FUNGSI KERNEL PADA METODE REGRESI NONPARAMETRIK DAN APLIKASINYA (Siaa Halim, et al.) LAMPIRAN: Program widow <- fuctio(h,x,y) { <- legth(x) f <- c() for(i i :) { cout <- cout <- for( i :) { if(x[i]-h<= [] & x[] <= x[i]+h) { cout <- cout + cout <- cout + y[] if (cout == ) temp <- y[] if (cout!= ) f <- apped(f,cout/cout) else f <- apped(f,temp) retur(f) Program NW <- fuctio(h,x,y) { <- legth(x) f <- c() for(i i :) { x <- (x-x[i])/h K <- sum(kg(x)) K <- t(y)%*% KG(x) f <- apped(f,k/k) retur(f) KG <- fuctio(x) { ker <- exp(-.5*x^)/sqrt(*pi) retur(ker) KEpach <- fuctio(x) { if (abs(x) < sqrt(5)) KEpach <-.75*(-.*x^)/sqrt(5) else KEpach <- retur(kepach) Program 3 GM <- fuctio(h,x,y) { <- legth(x) f <- c() s <- x x[+] <- (7-.5)/ for (i i :) s[i] <- (x[i] + x[i+])/ for(i i :) { cout <- for( i :) { if ((-)!=) a <- (x[i]- s[-])/h else a <- x[i]/h b <- (x[i]-s[])/h if (abs(a) <= & abs(b) <= ) cout<-cout+ y[]*(itepach(a)- ItEpach(b)) else if (abs(a) <= & b < -) cout <- cout + y[]*(itepach(a)- ItEpach(-)) else if (abs(b) <= & a > ) cout<-cout+ y[]*(itepach()- ItEpach(b)) else if (b < - & a > ) cout <- cout + y[] f <- apped(f,cout) retur(f) ItEpach <- fuctio(x) { if (abs(x) <= ) KEit <-.75*x -.5*x^3 else KEit <- retur(keit) 8
BAB II TINJAUAN PUSTAKA. dengan asumsi bahwa telah diketahui bentuk fungsi regresinya. atau dalam bentuk matriks dapat ditulis dengan:
BAB II TINJAUAN PUSTAKA 2.1 Regresi Parametrik Regresi parametrik merupaka metode statistika yag diguaka utuk megetahui pola hubuga atara variabel prediktor dega variabel respo, dega asumsi bahwa telah
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciREGRESI NONPARAMETRIK MENGGUNAKAN METODE ROBUST DAN CROSS-VALIDATION (STUDI KASUS MAHASISWA STIA MUHAMMADIYAH SELONG)
Jural UJMC, Volume 3, Nomor, Hal. 9-6 pissn : 460-3333 eissn : 579-907X REGRESI NONPARAMETRIK MENGGUNAKAN METODE ROBUST DAN CROSS-VALIDATION (STUDI KASUS MAHASISWA STIA MUHAMMADIYAH SELONG) Rata Yuiarti,
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciPEMODELAN DATA TIME SERIES DENGAN PENALIZED SPLINE FILTER. Wuleng,A.T., Islamiyati,A., Herdiani, E.T. Abstrak
PEMODELAN DATA TIME SERIES DENGAN PENALIZED SPLINE FILTER Wuleg,A.T., Islamiyati,A., Herdiai, E.T. Abstrak Regresi oparametrik adalah suatu pedekata regresi utuk pola data yag tidak diketahui betuk kurva
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPERBANDINGAN MODEL REGRESI KERNEL DENGAN MODEL REGRESI POLYNOMIAL DALAM DATA FINANSIAL
IdoMS Joural o Statistics Vol., No. (014), Page 47-6 PERBANDINGAN MODEL REGRESI KERNEL DENGAN MODEL REGRESI POLYNOMIAL DALAM DATA FINANSIAL Nur Ei 1 1 Jurusa Matematika Program Studi Statistika, Fakultas
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah
BAB I PENDAHULUAN A. Latar Belakag Masalah Struktur alabar adalah suatu himpua yag di dalamya didefiisika suatu operasi bier yag memeuhi aksioma-aksioma tertetu. Gelaggag ( Rig ) merupaka suatu struktur
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinci2 BARISAN BILANGAN REAL
2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu
Lebih terperinciPENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA
PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika
Lebih terperinciYang biasa dinamakan test komposit lawan komposit. c. Hipotesis mengandung pengertian minimum. Perumusan H 0 dan H 1 berbentuk :
PARAMETER PENGJIAN HIPOTESIS MODL PARAMETER PENGJIAN HIPOTESIS. Pedahulua Kalau yag sedag ditest atau diuji itu parameter θ dalam hal ii pegguaaya ati bias rata-rata µ prprsi p, simpaga baku σ da lai-lai,
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciPERBANDINGAN HASIL PENGUJIAN INTERCEPT
IdoMS Joural o Statistics Vol., No. (3), Page 35-47 PERBANDINGAN HASIL PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM DAN MINIMUM PADA UJI-UJI TERKAIT NON-SAMPLE PRIOR INFORMATION PADA MODEL REGRESI SEDERHANA
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciHALAMAN Dengan definisi limit barisan buktikan limit berikut ini : = 0. a. lim PENYELESAIAN : jadi terbukti bahwa lim = 0 = 5. b.
Didowload dari ririez.blog.us.ac.id HALAMAN 36 37 5. Dega defiisi limit barisa buktika limit berikut ii : a. lim = 0 lim 1 2 + 3 = 0 > 0 h 1 = 2 + 3 0 = 1 2 + 3 1 2 1 2 1 2 < jadi terbukti bahwa lim =
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciDISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)
DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciDistribusi Sampling (Distribusi Penarikan Sampel)
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciII. TINJAUAN PUSTAKA. Secara umum apabila a bilangan bulat dan b bilangan bulat positif, maka ada tepat = +, 0 <
II. TINJAUAN PUSTAKA 2.1 Keterbagia Secara umum apabila a bilaga bulat da b bilaga bulat positif, maka ada tepat satu bilaga bulat q da r sedemikia sehigga : = +, 0 < dalam hal ii b disebut hasil bagi
Lebih terperinciPENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM UNTUK TESTS TERKAIT NON-SAMPLE PRIOR INFORMATION
UNIVERSITAS DIPONEGORO 3 ISBN: 978-6-4387-- PENGUJIAN INTERCEPT PADA UJI SATU ARAH MAKSIMUM UNTUK TESTS TERKAIT NON-SAMPLE PRIOR INFORMATION Budi Pratiko da Arlida Widiaa Jurusa MIPA Matematika Usoed Purwokerto
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciHimpunan/Selang Kekonvergenan
oki eswa (fmipa-itb) Deret Pagkat Kita aka mempelajari beberapa tehik utuk meyajika suatu fugsi f (x) dalam betuk deret pagkat (power series), yaitu meetuka derat pagkat c (x a) sehigga f (x) = c (x a)
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciREGRESI KERNEL DENGAN METODE NADARAYA WATSON. Oleh : Esty
REGRESI KERNEL DENGAN METODE NADARAYA WATSON REGRESI KERNEL DENGAN METODE NADARAYA WATSON Ole : SKRIPSI Diajuka Kepada Fakultas Matematika da Ilmu Pegetaua Alam Uiversitas Negeri Yogyakarta Utuk Memeui
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Dalam duia iformatika, assigmet Problem yag biasa dibetuk dega matriks berbobot merupaka salah satu masalah terbesar, dimaa masalah ii merupaka masalah yag metode peyelesaiaya
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciESTIMASI TITIK DAN INTERVAL KEPERCAYAAN
8/8/0 IE 305 tatistika Idustri LOGO ETIMAI TITIK DAN INTERVAL KEPERCAYAAN Elty arvia, T.,MT. Fakultas Tekik Jurusa Tekik Idustri Uiversitas Kriste Maraatha Badug LT arvia/esi Tujua 3 4 5 6 Medefiisika
Lebih terperinciBAB VI BARISAN TAK HINGGA DAN DERET TAK HINGGA
BAB VI BARIAN TAK HINGGA DAN DERET TAK HINGGA Bajar/Barisa Tak Higga Barisa tak higga { },,,,, adalah suatu fugsi dari dimaa daerah domaiya adalah himpua bilaga bulat positif (bilaga asli). Cotoh: Bila,,,..,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciBAB II TEORI DASAR. Definisi Grup G disebut grup komutatif atau grup abel jika berlaku hukum
BAB II TEORI DASAR 2.1 Aljabar Liier Defiisi 2. 1. 1 Grup Himpua tak kosog G disebut grup (G, ) jika pada G terdefiisi operasi, sedemikia rupa sehigga berlaku : a. Jika a, b eleme dari G, maka a b eleme
Lebih terperinciSTATISTIKA NON PARAMETRIK
. PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha
Lebih terperinciBARISAN TAK HINGGA DAN DERET TAK HINGGA
BARIAN TAK HINGGA DAN DERET TAK HINGGA Bajar/Barisa Tak Higga Barisa tak higga { } adalah suatu fugsi dari dimaa daerah domaiya adalah himpua bilaga bulat positif (bilaga asli). Cotoh: Bila.. maka fugsi
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciStatistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015
Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi
Lebih terperinciSecara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:
BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciII. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang
II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori
Lebih terperinciTri Handhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Universitas Gunadarma Abstrak
PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP) PADA GENERAL LINEAR MIXED MODEL ri Hadhika Pusat Studi Komputasi Matematika (PSKM), Kampus D 139 Uiversitas Guadarma trihadika@staff.guadarma.ac.id
Lebih terperinciPendugaan Parameter. Debrina Puspita Andriani /
Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Permasalaha peugasa atau assigmet problem adalah suatu persoala dimaa harus melakuka peugasa terhadap sekumpula orag yag kepada sekumpula job yag ada, sehigga tepat satu
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciInflasi dan Indeks Harga I
PERTEMUAN 1 Iflasi da Ideks Harga I 1 1 TEORI RINGKAS A Pegertia Agka Ideks Agka ideks merupaka suatu kosep yag dapat memberika gambara tetag perubaha-perubaha variabel dari suatu priode ke periode berikutya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinci,n N. Jelas barisan ini terbatas pada dengan batas M =: 1, dan. barisan ini kovergen ke 0.
PROGRAM STUDI PENDIDIKAN MATEMATIKA FKIP UNMUH PONOROGO SOAL UJIAN TENGAH SEMESTER GENAP TA 03/04 Mata Ujia : Aalisis Real Tipe Soal : REGULER Dose : Dr. Jula HERNADI Waktu : 90 meit Hari, Taggal : Selasa,
Lebih terperinci