PERBANDINGAN ANTARA METODE K-MEANS CLUSTERING DENGAN GATH-GEVA CLUSTERING (STUDI KASUS PADA VOLUME EKSPOR NON MIGAS PAKAIAN JADI)

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERBANDINGAN ANTARA METODE K-MEANS CLUSTERING DENGAN GATH-GEVA CLUSTERING (STUDI KASUS PADA VOLUME EKSPOR NON MIGAS PAKAIAN JADI)"

Transkripsi

1 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: PERBADIGA ATARA METODE K-MEAS CLUSTERIG DEGA GATH-GEVA CLUSTERIG (STUDI KASUS PADA VOLUME EKSPOR O MIGAS PAKAIA JADI) Oleh : S Lalyah ), Moh. Hafyusholeh ) ) Pedda Maemaa UI Sua Ampel Surabaya, s03_mah_s@yahoo.om ) Maemaa UI Sua Ampel Surabaya, hafyusholeh@usby.a.d ABSTRAK Perdagaga luar eger Idoesa sedag daa kembal forma da kerjaya, agar pemerah dak membua kesalaha dalam megambl kepuusa uuk megkaka ekspor o mgas, maka pemerah harus mampu mempreds volume ekspor o mgas. Preds pada dasarya merupaka suau perkraa eag erjadya suau kejada d waku yag aka daag. Salah sau ara yag dapa dguaka uuk mempreds la ekspor ersebu adalah dega k-meas luserg da gah-geva luserg. Kemuda dbeuk Fuzzy Iferee Sysem (FIS) uuk memperoleh hasl preds sehgga ddapaka error da valdas hasl preds.berdasarka hasl aalsa RMSE, ek maksmum da ek mmum maka dapa dsmpulka bahwa meode Gah-Geva (GG) Cluserg lebh el dbadgka dega meode K-meas luserg. Kaa ku: Ssem Fuzzy, K-meas luserg, Gah-Geva luserg.. Pedahulua Perdagaga luar eger Idoesa sekarag sedag daa kembal forma da kerjaya ke kods awal dmasamasa sebelum krss ekoom melada bagsa Idoesa. Meskpu belum pulh seara keseluruha, kegaa perdagaga luar eger Idoesa mula meujukka kekuaaya kembal. Sudah beberapa ahu erakhr hasl dusr pakaa jad Idoesa bayak dma oleh egara-egara asg khususya Amera da Eropa karea daggap ukup berkualas dega harga yag bersag. Bahka dbeberapa egara, hasl dusr pakaa jad Idoesa deaka kuoa agar dusr pakaa jad egara ersebu dak kalah bersag dega produk Idoesa. Agar pemerah dak membua kesalaha dalam megambl kepuusa uuk megkaka ekspor o mgas khususya uuk sekor dusr, maka pemerah harus mampu melha ke depa aau mempreds volume ekspor o mgas. Cara yag dapa dguaka uuk mempreds la ekspor daaraya dega meode K-meas luserg, da meode Gah-Geva luserg. Beberapa peela yag erka adalah Yua [0], dalam Preds Volume Ekspor o Mgas Dega Meode Subrave Cluserg meympulka bahwa pegolaha daa dega meode subrave luserg meghaslka jagkaua daa dapa berpegaruh erhadap pembeuka luser sehgga mempegaruh hasl preds meskpu dbera radus yag sama uuk daa-daa yag ada. Peela yag la, Guawa [7], dalam Perbadga Aara Meode Fuzzy Subrave Cluserg Dega Meode Gusafso Kessel Cluserg (sud kasus daa me seres volume pjama kred 6

2 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: gada) meympulka bahwa hasl RMSE, error maksmum da error mmum meode gusafso kessel luserg lebh el dbadgka dega meode subrave luserg. Sebaga kelajua dar peela sebelumya, maka pegkaja dar peela Peela dlakuka dega megaalsa seara khusus erhadap daa volume ekspor o mgas pada pakaa jad megguaka meode K-meas luserg da meode Gah-Geva luserg. Perbadga hasl aalss erhadap kedua algorma meode ersebu aka meeuka meode yag lebh el uuk mempreds volume ekspor o mgas dega la-la parameer da besara yag erka Permasalaha uama yag dagka dalam Peela adalah: Bagamaa perbadga aara meode K-meas luserg da Gah-Geva Cluserg uuk medapaka luser opmal. Dalam pembahasa, kaja permasalaha aka dbaas dega meeuka la-la parameer da besara yag erka, aara la:. Jar-jar luser.. Ideks valdas masg-masg algorma yau Koefse Pars (PC), Erop Klasfas (CE), Pars Ideks (SC), Separas Ideks (S) da Jumlah Kuadra Kesalaha (SSE). 3. RMSE (Roo Meas Square Error) dalam peramala. Tujua dar Peela adalah () dapa mempreds volume ekspor o mgas uuk pakaa jad dega meode K- meas Cluserg da Gah-Geva Cluserg; () dapa megeahu ujuk kerja dua algorma pegklasera daas seara emprs.. Teor Dasar ) Ssem Fuzzy Ssem fuzzy erdr dar hmpua fuzzy, fugs keaggoaa, fuzzy feres ssem da pealara fuzzy. Hmpua fuzzy A dalam semesa X, duls dega à da ddefsa oleh pasaga: à x, ( x) x X à dega : X [0,] adalah fugs aau à deraja keaggoaa dar hmpua fuzzy Ã. Fugs keaggoaa (membershp fuo) adalah suau kurva yag meujukka pemeaa - pu daa ke dalam la keaggoaaya yag meml erval aara 0 da. Pada dasarya la keaggoaa fuzzy dapa dgambarka melalu beberapa represeas yau: a. Represeas lear Ada keadaa hmpua fuzzy yag lear. Perama, Fugs keaggoaa : 0 μ[x] (x a)/(b a) ; x a ; a x b ; x b Kedua, Fugs keaggoaa : (b - x)/(b a) μ[x] 0 ; a x b ; x b b. Represeas kurva segga Fugs ddefas dega 3 parameer. Fugs keaggoaa: 0 ; x a x μ[x] (x a)/(b a) ; a x b (b - x)/( - b) ; b x. Represeas kurva rapesum Ada 4 parameer yag dapa dguaka yau [ a b d ]. Fugs keaggoaa : 0 (x a)/(b a) μ[x] (d - x)/(d - ) ; x ; a ; b ; x a aau x d x b x d 7

3 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: ) Fuzzy Iferee Sysem (FIS) Fuzzy Iferee Sysem (FIS) adalah ssem yag ddasarka pada kosep eor hmpua fuzzy, aura fuzzy, da pealara fuzzy. Seara umum, ddalam loga fuzzy ada 5 lagkah dalam melakuka pealara, yau :. Memasukka pu fuzzy.. Megaplasa operaor fuzzy. 3. Megaplasa meode mplas 4. Megkomposs semua oupu 5. Defuzzfas Implas adalah proses pembeuka hmpua fuzzy pada kosekue yag ddasarka pada aesede. Apabla ssem erdr dar beberapa aura, maka feres dperoleh dar kumpula da korelas aar aura. Ipu dar proses defuzzfas adalah suau hmpua fuzzy yag dperoleh dar komposs aura-aura fuzzy, sedagka oupu yag dhaslka merupaka suau blaga pada doma hmpua fuzzy ersebu. 3) Fuzzy Cluserg Fuzzy luserg adalah salah sau ek uuk meeuka luser opmal dalam suau ruag vekor yag ddasarka pada beuk orma Euld uuk jarak aar vekor. Suau ukura fuzzy meujukka deraja ke-fuzzy-a dar hmpua fuzzy. Seara umum ukura ke-fuzzy-a dapa duls sebaga suau fugs: f : P( x) R dega P(x) adalah hmpua semua subse dar X. f(a) adalah suau fugs yag memeaka subse A ke karakers deraja ke-fuzzy-aya. Dalam megukur la ke-fuzzy-a, fugs f harus megu hal-hal sebaga beru:. f(a) = 0 ja da haya ja A adalah hmpua rsp.. Ja A B, maka f(a) f(b). Ds, A B berar B lebh fuzzy dbadg A. Relas keajama A B ddefs-ka dega: x x, ja x 0. 5 A B x x, ja x 0. 5 A B A B 3. f(a) aka meapa maksmum ja da haya ja A bear-bear fuzzy seara maksmum. la fuzzy mak-smal basaya erjad pada saa Ax 0. 5 uuk seap x. Pada aplas fuzzy luserg, basaya perlu dlakuka pre-proessg erlebh dahulu. Dega dema ka perlu melakuka ormalsas uuk suau la u, mejad u ormal (ū) dega rumus: u u u u u max m m dega u m adalah la erkel yag erukur da u adalah la erbesar yag erukur. max Seelah melakuka preproessg, varabel-varabel yag releva dapa segera dplh. Uuk sekumpula daa u u u dapa dar:,,..., mea u m u varas v u m devas sadar v rage s u max um koefse korelas r x m y m x m y m Dega m adalah mea dar X da m adalah mea dar Y. 4) Aalss Cluser Tujua dar Aalss luser adalah pegklasfasa obyek-obyek berdasar- 8

4 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: ka smlaras daaraya da meghmpu daa mejad beberapa kelompok. Daa yag dbera adalah daa kuaaf yag dperoleh dar hasl pegukura berupa daa ruu waku (me seres). Seap pegamaa erdr dar varabel, delompokka dalam vekor bars pada dmes- xk xk, xk,..., x T k, xk R hmpua pada pegamaa d-oasa oleh X k,,, x k da dsaja dalam mars x : x x X x x x x x x x (.) bars dar X dsebu pola aau obyek, sedagka kolomya dsebu feaures aau arbues da X sedr dsebu mar pola aau mar daa. Daa dapa dyaaka sebaga luser pada ruag geomer yag berbeda, ukura da kepadaaya, yag dujukka pada Gambar.. Cluser adalah kumpula dar beda-beda yag meml bayak kesamaa sau sama la darpada dega aggoa luser yag la. Cluser dapa berbeuk bola (a), gars pajag aau lurus (b), berlubag () da (d). a d Gambar ).. Cluser dega ) beuk da dmes yag berbeda dalam. Pada hard luserg, seap obyek (daa) haya bsa mejad aggoa epa sau luser. Sedagka pada fuzzy luserg obyek-obyek dapa mejad b aggoa dar lebh sau luser dega deraja keagggoaa yag berbeda. Dega dema X mempuya hmpua baga fuzzy. Srukur dar pars mar U ]:.. U [. Hard paro Hard pars dapa dara sebaga keluarga dar hmpua baga A X, A 0, yag meme-uh: A X (.) A A j 0, j, (.3) dmaa, A = Hmpua baga pada luser ke-. A j = Hmpua baga pada luser ke-j. X = Semesa pembaraa. = Bayakya hmpua baga luser. Beuk dar fugs keaggoaaya: A, (.4) j (.5), A Aj 0, A (.6) dmaa, = fugs karakers dar hmpua A baga A yag berla 0 da. = fugs karakers dar hmpua A j baga A j yag berla 0 da. = Bayakya hmpua baga luser. Mar x, U [ ] meggambarka hard pars ja haya ja elemeelemeya memeuh: 0,,, k (.7) j k, 0, k, (.8) (.9) dmaa, = fugs karakers pada hmpua j baga A da A j. = Fugs karakers pada x k. 9

5 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: = Bayakya luser. = Bayakya hmpua baga luser. Defs. (Hard Paro Spae) Msal X [ x, x,..., x ] adalah hmpua berhgga da msal, 3,,. Hard Paro Spae pada X adalah hmpua M x { U 0,, k h, k, ;0, k} (.0). Fuzzy paro Pada fuzzy pars meapa la rl [0, ]. Mars x, U [ ] dgambarka sebaga fuzzy pars. Kods dbera oleh:, k (.) [0,], j k, 0,, (.) k (.3) dmaa, = fugs karakers pada hmpua j baga A da A j. = Fugs karakers pada x k. = Bayakya luser. = Bayakya hmpua baga luser. Defs. (Fuzzy Paro Spae) Msal X [ x, x,..., x ] adalah hmpua berhgga da msal, 3,,. Fuzzy Paro Spae pada X adalah hmpua x M { U [0,],, k; f k, ;0, k} (.4) 5) Peramala Serg erdapa sejag waku (me lag) aara kesadara aka perswa aau kebuuha medaag dega perswa u sedr. Adaya waku eggag (me lead) merupaka alasa uama bag pereaaa da peramala. Perhal medasar yag perlu dperhaa dalam peramala adalah bagamaa megukur kesesuaa suau meode peramala ereu uuk suau kumpula daa yag dbera. Berbaga keepaa ukura peramala (pemodela) ddefsa dega mempermbagka ukura-ukura yag ada. Ukura-ukura yag dmaksudka daaraya yau :. Ukura sas. Ja X merupaka daa akual uuk perode da F merupaka ramala (aau la keooka/fed value) uuk perode yag sama, maka kesalahaya ddefsa sebaga beru : e X F (.5) Ja erdapa la pegamaa ramala uuk perode waku, maka aka erdapa buah kesalaha da ukura sas sadar beru dapa ddefsa: la Tegah Kesalaha (Mea Error) ME (.6) e la Tegah Absolue (Mea Absolue Error) e (.7) MAE Jumlah Kuadra Kesalaha (Sum of Squared Error) SUM e (.8) la Tegah Kesalaha Kuadra (Mea Squared Error) e (.9) MSE Devas Sadar Kesalaha (Sadard Devao of Error) e SDE (.0) ( ). Ukura-ukura relaf. Tga ukura yag serg dguaka adalah : Kesalaha Persease (Pereage Error) X F PE (.) X la Tegah Kesalaha Persease (Mea Perseage Error) 30

6 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: MPE PE (.) la Tegah Kesalaha Persease Absolu (Mea Absolue Perseage Error) MAPE PE / (.3) 3. Meode Peela Tahap-ahap yag dguaka dalam peela agar dapa meapa ujua peela adalah:. Sud leraur Pada ahap melpu peara formas da pemahama eors dar peerapa meode K-meas luserg da Gah-Geva luserg uuk mempreds volume ekspor o mgas pada pakaa jad.. Pegambla daa Daa yag dolah adalah daa sekuder yag dambl dar Bada Pusa Sas (BPS) mula dar bula Jauar 987 sampa dega bula Desember 005, yau daa ekspor o mgas pada pakaa jad dalam saua bera (o). 3. Peyusua Algorma K-meas Cluserg Meode K-meas lusrerg dapa drumuska sebaga beru: xk v (3.) ka dmaa, x k = daa ke-k pada luser, A = hmpua daa dalam luser ke-, v = mea daa pada daa luser ke-, dalam algorma K-meas, v dsebu sebaga luser prooype, yau pusa luser v x k k, xk A, (3.) dmaa, x = daa ke-k pada luser, k A = hmpua daa dalam luser ke-, = bayakya - daa pada luser ke-, Hasl pegklasera yag dperoleh selajuya dperguaka pada model peramala. 4. Peyusua Algorma Gah-Geva Cluserg Meode Gah-Geva dapa drumuska sebaga beru: de( F ) D ( xk, v ) x ( l) T ( l) exp ( xk v ) F ( xk v ) (3.5) dmaa, x = daa ke-k pada luser, k v = mea daa pada daa luser ke-, F = mars kovaras fuzzy dar luser ke-, = probablas pror dar luser erplh, Dega mars kovaras fuzzy T ( k ( xk v )( xk v ) ) F ( k ) (3.6) da (3.7) k Deraja keaggoaa derpreasa sebaga probablas poseror dar luser ke- yag erplh. Hasl pegklasera yag dperoleh selajuya juga aka dperguaka pada model peramala. 5. Valdas Perbadga erhadap ujuk kerja kedua algorma pegklasera d aas dlakuka dega megukur deks valdas masg-masg algorma: (a). Koefse pars (PC): megukur la overlappg aara klaser dega PC( ) ( j ) (3.) j 3

7 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: dmaa j adalah aggoa dar daa j dalam luser ke-. Opmal jumlah luser adalah la maksmum dar PC. (b). Erop Klasfas (CE): megukur ke-fuzzy-a pars luser dega CE( ) j log( j ) (3.3) j (). Pars deks (SC): merupaka raso aara kekompaka da separas luser-luser, dega SC( ) j ( ) j m x v v k k v (3.4) la palg redah dar SC meujukka pars erba. (d).separas deks (S): separas deks megguaka separas jarak mmum uuk valdas parsya, dega S( ) ( ) j j j x j v m, k vk v (3.5) (e). Jumlah kuadra kesalaha (SSE): jumlah smpaga ku-adra aara reala dega ha-sl preds (peramala). 6. Pegolaha Daa. Lagkah-lagkahya sebaga beru: (a). Peerapa meode pegklasera pada daa observas. (b).peerapa masg-masg algorma pada daa yag dbera uuk meeuka bayakya luser. (). Peerapa meode pegklasera dalam peramala pada daa volume ekspor o mgas pakaa jad. (d). Meghug masg-masg MSE, dega megguaka rumus: x x MSE (3.6) (e). Meghug RMSE, dega mear akar persamaa (3.6) sehgga ddapa rumus uuk meghug RMSE sebaga beru: RMSE x x (3.7) 4. Pembahasa Da Hasl 4. Peyaja Daa Uuk meerapka kosep ersebu ke dalam daa real, dambl daa volume ekspor o mgas pada pakaa jad yag dmula bula Jauar ahu 987 sampa dega bula Desember ahu 005. Perubaha waku (erval waku) daa ersebu dalam sau bula sehgga jumlah keseluruhaya adalah sejumlah 8 bula. Perubaha seara grafs volume ekspor o mgas pakaa jad dapa dlha pada gambar sebaga beru: Gambar 4. Volume Ekspor omgas Pakaa Jad 4. Peeua Cluser Ada beberapa ara yag dlakuka uuk meeuka luser, daaraya yau:. Hard luserg megguaka algorma kmeas luserg. Meode k-meas luserg ddasarka pada pegalokasa seap daa kedalam sau dar luser yag memmumka jumlah kuadra da-lam luser. Beru hasl dar plog algo-rma kmeas: 3

8 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: Beru hasl dar plog Algorma GGlus Gambar 4. Kmeas Volume Ekspor omgas Pakaa Jad Dar Gambar 4. daas dperoleh jumlah luser = 4, dega pusa luser sebaga beru: C Dar hasl oba dega merubah parameer (jumlah luser) maka ddapaka hasl sebaga beru: Tabel 4.: Hasl Valdas Kmeas PC CE SC S C (Paro (Classfao (Paro (Separao Coeffse) Eropy) Idex) Idex) 3 a a a Uuk meeuka luser opmal dperoleh saa PC berla maksmum da SC berla mmum, karea PC yag berla eap da la SC yag se-mak berkurag maka dak dapa deuka luser opmal dar la PC da SC. Oleh karea u dbuuhka la valdas yag laya yau S yag ber-la eap pada saa jumlah luser = 4 se-hgga dapa dsmpulka bahwa luser opmal erjad pada saa jumlah luser =4.. algorma gah-geva luserg Meode Gah-Geva ddasarka pada fugs jarak dega fuzzy maxmum lelhood esmaes. Gambar 4.3 GGlus Volume Ekspor omgas Pakaa Jad Dar Gambar 4.3 daas dperoleh jumlah luser = 4, dega pusa luser sebaga beru: C Dar hasl oba dega merubah parameer (jumlah luser) maka ddapaka hasl sebaga beru: Tabel 4.: Hasl Valdas GGlus PC CE SC S C (Par. (Classfao (Paro (Separao Coeffse) Eropy) Idex) Idex) e a a a a a a Uuk meeuka luser opmal dperoleh saa PC berla maksmum da SC berla mmum. Dar abel 4. daas luser opmalya dperoleh pada saa = 4 karea la PC pada saa jumlah luser = 4 berla maksmum da la SC berla mmum walaupu dak dapa deuka laya. 4.3 Perhuga Preds Peramala dega Meode K-meas Cluserg. Daa-daa yag dguaka Daa yag aka dguaka uuk mempreds besar volume ekspor o 33

9 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: mgas pada pakaa jad berdasarka perode waku dua belas bula dega meode movg average aau meode raaraa bergerak. Ipu ssemya adalah permaa ke- (-), (-0), (-9), (-8), (- 7), (-6), (-5), (-4), (-3), (-), (-), (), sedagka oupu ssemya adalah permaa ke- (+), dega dema erdapa reag daa dar hgga 7 (6 daa). Dar daa ersebu aka dguaka sebayak 7 daa uuk dluser, sedagka ssaya sebayak 44 daa aka dguaka sebaga daa ek.. Hasl luserg Ja dlakuka dega megguaka fluee rage 0,50 maka aka dperoleh 4 luser dega mars pusa luser sebaga beru: C Hasl feres Hasl feres dega jar-jar = 0.50, aep rao = 0.5 da reje rao = 0.5, seper erlha pada beru : Gambar 4.5: Graf error hasl feres peramala erhadap reala 4. Hasl pegeesa Pegeesa ssem fuzzy dega daa pegeeka berupa peramala permaa uuk daa ke : 73 s/d 6. Hasl pegeesa dega jar-jar = 0.50, aep rao = 0.5 da reje rao = 0.5, seper erlha pada beru : Gambar 4.6: Plo hasl pegeesa peramala erhadap reala Gambar 4.4: Plo hasl feres peramala erhadap reala Tampla error seara grafs erlha pada Gambar 4.5. Error erbesar erjad pada daa feres yag ke-57 yau sebesar 4.675, sedagka error erkel erjad pada daa feres yag ke-6 yau sebesar Berdasarka abel pada lampra 3 ddapaka hasl valdas jumlah kuadra kesalaha (SSE) uuk daa feres yau Tampla error seara grafs erlha pada Gambar 4.7 Error erbesar erjad pada daa pegeesa yag ke-43 yau sebesar , sedagka error erkel erjad pada daa pegeesa yag ke-44 yau sebesar Berdasarka abel pada lampra 3 ddapaka hasl valdas jumlah kuadra kesalaha (SSE) uuk daa pemgeesa yau

10 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: erjad pada daa feres yag ke-5 yau sebesar Berdasarka abel 3 pada lampra 3 ddapaka hasl valdas jumlah kuadra kesalaha (SSE) uuk daa feres yau Gambar 4.7: Graf error hasl ek peramala erhadap reala 4.4 Perhuga Preds Peramala dega Meode Gah-Geva Cluserg Ja dguaka meode Gah-Geva Cluserg dlakuka dega megguaka fuee rage 0.50 maka aka dperoleh 4 luser dega mars pusa luser sebaga beru: C Hasl feres Hasl feres dega jar-jar = 0.50, aep rao = 0.5 da reje rao = 0.5, (dapa dlha pada abel 3 lampra 3) seper erlha pada beru : Gambar 4.9: Graf error hasl feres peramala erhadap reala. Hasl pegeesa Pegeesa ssem fuzzy dega daa pegeeka yag erdapa dalam abel (Lampra ) berupa peramala permaa uuk daa ke : 73 s/d 6. Hasl pegeesa dega jar-jar = 0.50, aep rao = 0.5 da reje rao = 0.5, seper erlha pada beru : Gambar 4.8: Plo hasl feres peramala erhadap reala Tampla error seara grafs erlha pada Gambar 4.9. Error erbesar erjad pada daa feres yag ke-34 yau sebesar 3.359, sedagka error erkel Gambar 4.0: Plo hasl pegeesa peramala erhadap reala Tampla error seara grafs erlha pada Gambar 4.. Error erbesar erjad pada daa pegeesa yag ke-34 yau sebesar 0.85e-03, sedagka error erkel erjad pada daa pegeesa yag ke-39 yau sebesar e-03. Berdasarka abel 4 pada lampra 3 ddapaka hasl valdas jumlah kuadra kesalaha (SSE) uuk daa pegeesa yau e

11 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: Hasl pegeesa error max error m Gambar 4.: Graf error hasl ek peramala erhadap reala Berdasarka hasl daas k-meas luserg pada daa feres meghaslka la RMSE = 4.64, error maksmum = 4.675, da error mmum = , sedagka pada daa pegeesa kmeas luserg meghaslka error maksmum = , da error mmum = Kmeas luserg ermasuk hard luserg, oleh karea u perlu dlakuka ormalsas uuk membadgka hasl ersebu dega hasl gah-geva luserg yag ermasuk fuzzy luserg sehgga dak perlu dlakuka ormalsas. Rumus peormalsasa berdasar-ka dasar eor daas yau: u um u u u dega u adalah daa hasl ormalsas, u adalah daa sebelum dormalsasa, u m adalah la erkel yag erukur da umax adalah la erbesar yag erukur. Dperoleh hasl ormalsas dar hasl kmeas luserg adalah: Hasl feres error max max error m m 5. Smpula da Sara 5. Smpula Berdasarka hasl aalsa da pembahasa sebelumya, maka dapa dsmpulka beberapa hal yau:. Berdasarka la valdas K-meas luserg dhaslka luser opmal erjad pada saa luser = 4 dega pusa luser adalah: C da hasl valdas pada saa luser = 4, dperoleh la PC (Paro Coeffse) =, CE (Classfao Eropy) = a (berla saga kel sekal sehgga dak dulska laya), SC (Paro Idex) = 0.567, S (Separao Idex) = da SSE (Jumlah Kuadra Kesalaha) pada hasl feres = sedagka SSE pada hasl pegeesa = Berdasarka la valdas Gah-Geva (GG) luserg dhaslka luser opmal erjad pada saa luser = 4 dega pusa luser adalah: C da hasl valdas pada saa luser = 4, dperoleh la PC (Paro Coeffse) = , CE (Classfao Eropy) = a (berla saga kel sekal sehgga dak dulska laya), SC (Paro 36

12 JURAL MATEMATIKA MATIK Vol. 0 o. 0. Me 06. ISS: E-ISS: Idex) = a, S (Separao Idex) = a da SSE (Jumlah Kuadra Kesalaha) pada hasl feres = sedagka SSE pada hasl pegeesa = e Dega jar-jar 0.5 da jumlah luser = 4, K-meas Cluserg meghaslka RMSE = 4.64, sedagka Gah-Geva (GG) Cluserg meghaslka RMSE =.8668e Dega jumlah jar-jar da luser yag sama, K-meas Cluserg meghaslka error ek maksmum = da error ek mmum = , sedagka Gah-Geva (GG) Cluserg meghaslka error ek maksmum = 0.857e-03, da error ek mmum = -0.84e Berdasarka hasl RMSE, error ek maksmum da error ek mmum, dapa dsmpulka bahwa Gah-Geva (GG) Cluserg lebh el dbadgka dega meode K-meas luserg. 5. Sara Berdasarka dar kesmpula d aas maka dapa dbera sara-sara sebaga beru: ) Algorma GG Cluserg dapa dguaka dalam pegklasera daa me seres. ) Ada beberapa meode luserg yag laya yag mash perlu daalss uuk megeahu gka keelaya. 3) Mash perlu daalss uuk megeahu gka keelaya daara kedua meode ersebu. Referes [] Babuska, R.; P,J va der Vee; U. Kaymak; 00, Improved Covarae Esmao for Gusafso-Kessel Cluserg, Prodegs of 00 IEEE Ieraoal Coferee o Fuzzy Sysem Hoolulu, Hawa. [] Babuska, R., -, Fuzzy Cluserg wh Applaos Paer Reogo ad Daa-Drve Modelg; Delf Ceer for Sysem ad Corol, 5 Aprl 006. [3] Balasko, B.; J. Aboy; B. Fel; -; Fuzzy Cluserg ad Daa Aalyss Toolbox, Depareme of Proess Egeerg Uv. of Veszprem, Hugary, 5 Aprl 006. [4] Bro Pusa Sas Idoesa, -, Idaor Ekoom Jauar 987- Desember 005, Jakara, Idoesa. [5] Bro Pusa Sas Idoesa, 00, Ekspor Idoesa meuru kode ISIC, CV aro Sar, Jakara, Idoesa. [6] Che, A; Efsraos olads, 999, Comparso of Probabls ad fuzzy se Mehods for Desgg uder Ueray, Amera Isue of Aeroaus ad Asroas, Vol. 99. [7] Guawa; 006, Perbadga Aara Meode Fuzzy Subrave Cluserg dega Meode Gusafso Kessel Cluserg. (Sud kasus daa me seres volume pjama kred gada), Tess, Maemaa, FMIPA-ITS. [8] Kusumadew, Sr; 00, Aalss Desa Ssem Fuzzy Megguaka Toolbox MATLAB, Graha Ilmu, eds perama, eaka perama, Yogyakara. [9] Makrdas.S, Seve C.W ad Vor E.M, 999, Meode da Aplas Peramala, Erlagga, eds kedua, jld, eaka keeam, Jakara. [0] Yua, D, W; (005), Preds Volume Ekspor o-mgas dega Meode Subrave Cluserg, Skrps, Jurusa Maemaa, FMIPA- ITS. 37

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

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 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

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai

Lebih terperinci

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

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu

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

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

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

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

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pegera Peramala Meuru Assaur peramala adalah kegaa uuk memperkraka apa yag aka erjad d masa yag aka daag. Sedagka ramala adalah suau suas aau kods yag dperkraka aka erjad pada

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 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam

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

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa

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

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

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

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

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

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

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

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

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

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

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

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

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

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

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

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

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

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN PERENCNN JUMLH PRODUK MENGGUNKN METODE FUZZY MMDNI BERDSRKN PREDIKSI PERMINTN Nama Mahasiswa : Norma Edah Haryai NRP : 1207 100 031 Jurusa : Maemaika FMIP-ITS Dose Pembimbig : Drs. I G N Rai Usadha, M.Si

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

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: a_dyah@yahoo.com ABSTRAK Peramala produks d masa medaag saga

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

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

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN Jural EKSPONENSAL Volume 6, Nomor, Nopember 05 SSN 085789 Aalss Pegedala Persedaa Produk dega Meode Ecoomc Order Quay Mul em Megguaka Algorma Geeka uuk Megefseka Baya Persedaa Hasl Peramala Berbass Expoeal

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

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

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

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

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

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

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

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

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

Lebih terperinci

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

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

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 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. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

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

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (13) 337-35 (31-98X Pr) D-165 Aalss Survval dega Model Regres Cox Webull pada Pedera Demam Berdarah Degue (DBD) d Rumah Sak Haj Sukollo Surabaya Edhy Basya, da I

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

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown Jural EKSPONENSIAL Volume 7, Nomor, Mei 06 ISSN 085-789 Peramala Jumlah Peduduk Koa Samarida Dega Megguaka Meode Pemulusa Ekspoesial Gada da Tripel Dari Brow Forecasig he Populaio of he Ciy of Samarida

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

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

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

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY Ajeg Ye Seagrum 1, da Muhammad Kholl Jurusa Tekk Idusr, Fakulas Tekk Uversas Mercu Buaa

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

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 18 BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala ( Forecasig ) Peramala ( forecasig ) adalah kegiaa megisemasi apa yag aka erjadi pada masa yag aka daag. Peramala diperluka karea adaya perbedaa kesejaga waku

Lebih terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

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

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

Universitas Sumatera Utara

Universitas Sumatera Utara Uiversias Sumaera Uara BAB 2 LANDASAN TEORI Ladasa eori ii merupaka hasil dari ijaua lieraur-lieraur yag ada kaiaya dega meode-meode peramala maupu dega koeks laiya dalam peulisa Tugas Akhir ii. Adapu

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

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

Lebih terperinci

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

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN. Laar Belaag D alam erdapa baya seal jes mahlu hdup. Mahlu hdup ersebu aa mejala seles alam d maa yag ua yag aa beraha. Salah sau ejada yag dapa dama adalah persaga uu memperoleh maaa dalam

Lebih terperinci

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

PENAKSIR RASIO REGRESI LINEAR YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKIR RAIO REGREI LINEAR ANG EFIIEN UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Ed Jamlu 1* Harso Haposa rat 1 Mahasswa Program tud 1 Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne

Lebih terperinci

2.2.3 Ukuran Dispersi

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

Lebih terperinci

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS Modul ke: 06Fakulas EKONOMI DAN BISNIS EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI Program Sudi Akuasi Idik Sodiki,SE,MBA,MM Krieria Kepuusa Ivesasi aau Pegaggara Modal o Beberapa krieria yag aka diperguaka

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

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik

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 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

* 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

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di 8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,

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

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

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

PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI

PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI Daua uu Memeuh Persyaraa Peyelesaa Program Saraa Sas Jurusa Maemaa Faulas Maemaa da Ilmu Pegeahua Alam Uversas

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

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 III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan

Lebih terperinci