Estimasi Parameter. Modul 1 PENDAHULUAN
|
|
- Hartono Sukarno Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Modul 1 Esimasi Parameer Dr. Suawanir Darwis P PENDAHULUAN roses sokasik S,,, S adalah koleksi peubah acak S dengan menyaakan indeks waku,. Kumpulan semua nilai S yang mungkin, dinamakan sae space. Suau proses sokasik dinamakan proses Markov aau ranai Markov (Markov chain) jika proses ersebu memenuhi sifa Markov (Markov propery). Sifa Markov menyaakan bahwa prediksi sisem saa 1 hanya dienukan oleh sae proses pada saa. P S i, dan peluang Suau ranai Markov dienukan oleh disribusi awal, ransisi aau, pij p i j. Peluang ransisi ij p merupakan parameer proses Markov. Jika parameer suau proses idak dikeahui, parameer ersebu harus diesimasi berdasarkan daa empirik. Meode kuadra erkecil (leas squares) merupakan salah sau meode unuk mengaasi masalah esimasi parameer. Dalam modul ini akan dibahas penerapan meode kuadra erkecil dalam esimasi parameer peluang ransisi suau ranai Markov. Pembahasan dibaasi pada kasus ranai Markov wo-sae (wo-sae Markov chain). Dalam sampling sekuensial, primary sampling uni (psu) dilakukan beruruan dan informasi dari psu digunakan unuk memodifikasi desain sampling. Misalkan suau daerah D diparisi dalam N N grid dan masingmasing iik bernilai 1 aau 1. Sampling pada daerah D idak mungkin dilakukan karena kombinasi parisi sebanyak N N. Suau meode berdasarkan ranai Markov dikembangkan unuk mengaasi sampling pada suau grid spaial (plane sampling). Seelah mempelajari modul ini, secara umum diharapkan Anda dapa memodelkan suau fenomena sokasik melalui pendekaan ranai Markov.
2 1. Meode Sekuensial Secara khusus Anda diharapkan dapa: 1. Memahami dan memberikan conoh realisasi (melalui simulasi) ranai Markov. p aau p i, j dan mariks peluang ransisi. Menghiung peluang ransisi ij (marik sokasik) P. 3. Membua graf berarah suau ranai Markov. 4. Memahami represenasi vekor suau ranai Markov. 5. Menuliskan ranai Markov dalam benuk model linear. 6. Menaksir parameer peluang ransisi melalui meode kuadra erkecil. 7. Menaksir peluang ransisi suau ranai Markov melalui abel koningensi O. 8. Menenukan disribusi sasioner.
3 SAS44/MODUL P roses sokasik Kegiaan Belajar 1 Esimasi Peluang ransisi Ranai Markov S S,, dengan S,,,, dan barisan peubah acak (correlaed random variables) dengan sae space diskri. 1,,. Proses merupakan ranai Markov (Markov chain) Andaikan jika proses memenuhi sifa Markov. pij 1, i P S m 1 j S m i P S 1 j S i pij, m,1,, j Conoh 1.1 Peluang ransisi p ij. Dua koak A dan B berisi m bola. Pada saa S, m S bola. Pada menyaakan banyaknya bola di koak A. Koak B berisi 1, diambil sau bola dari m bola secara acak dan dipindahkan ke koak lain. enukan peluang ransisi pij PS 1 j S i. Misalkan pada saa, koak A berisi i bola, S i, dan pada saa 1 koak A berisi j bola, S 1 j. Pada saa 1, S 1 j i 1 (bola erambil dari koak A) aau S 1 j i 1 (bola erambil dari koak B). Karena proses pengambilan dilakukan secara acak, maka i m, j i 1 (bola erambil dari koak A) m i pij, j i 1 (bola erambil dari koak B) m, lainnya Conoh 1. wo-sae Markov chain. Misal elepon pada saa, S menyaakan sae suau pesawa S jika sedang S jika pesawa elepon bebas dan 1 digunakan; sae space,1. Andaikan dalam suau selang waku,
4 1.4 Meode Sekuensial peluang erjadi sambungan adalah p. Jika pesawa elepon sedang akif, perminaan sambungan berikunya akan diolak. Jika pesawa sedang akif, peluang pesawa elepon bebas pada selang berikunya adalah q. Deskripsi di aas memberikan mariks ransisi 1 p P q p 1 q Conoh 1.3 Random Walk. Misal S menyaakan posisi suau bola sepanjang iik diskri,1,, N. Pada 1 bola berpindah sau langkah, ke kanan dengan peluang p dan ke kiri dengan peluang 1 p. Jika bola berada di boundary, N, bola bergerak ke arah dalam dengan peluang 1. Peluang ransisi diberikan oleh, p pn N p i, i 1 (bola berpindah sau langkah ke kanan) p i, i 1 1 p, i 1,, N 1 (bola berpindah sau langkah ke kiri) p,1, 1 1 (bola bergerak ke arah dalam) Conoh 1.4 Curah hujan (rainfall). Misal S menyaakan keadaan cuaca (hujan aau S adalah idak hujan) pada hari. Sae space dari ranai Markov,, 1, = {Hujan, idak hujan). Daa pengamaan selama.437 hari memberikan mariks frekuensi ransisi beriku: Keadaan cuaca idak hujan Hujan Jumlah 1 idak hujan Hujan Jumlah.437
5 SAS44/MODUL aksiran peluang ransisi Conoh 1.5 Proses Bernoulli. Misal S1, S, barisan peubah acak Bernoulli dengan PS 1 p dan PS 1 p q. Koleksi peubah acak S 1 dinamakan proses Bernoulli. 1. uliskan deskripsi proses. Konsruksi suau barisan proses Bernoulli Jawab. 1. Sae space, 1, index wakuse 1,,. Sampel barisan proses Bernoulli diperoleh melalui lanunan maa uang dengan hasil H = head, = ail. Jika H = 1 dan =, diperoleh suau realisasi barisan Bernoulli. Maa uang S H H H H H H Mariks Ρ pij dinamakan mariks peluang ransisi (mariks ransisi aau mariks sokasik). Mariks P memenuhi syara normalisasi P1=1, 1 1,1,, 1. Mariks ransisi ranai Markov direpresenasikan melalui graf dengan verex menyaakan sae dan direced edge i, j menyaakan peluang ransisi dari sae i ke sae j. Conoh 1.6 1,, 3, dan mariks ransisi Sae space
6 1.6 Meode Sekuensial P Gambar 1.1. Graf Berarah unuk Mariks ransisi P Simulasi ranai Markov. Misal 1,, 3 dan P S 1 a, P S b, dan PS 3 c, a b c 1. Generae suau ranai Markov S dengan disribusi awal PS i 1 3, 1 3, 1 3. Proses simulasi dilakukan sebagai beriku: Generae bilangan acak uniform p U, 1. Jika pa, S 1, jika a p a b, S, jika a b p a b c, S 3. Misal dikeahui bilangan acak u1.49, u.156, u.146, u.951, u.644 dan mariks ransisi, P
7 SAS44/MODUL Proses simulasi dilakukan sebagai beriku: P S i 1 3, 1 3, 1 3, diperoleh a b c 1 3. karena u1, 49, maka S. p j 1, 7 1, 1 1, diperoleh a 1, b 7 1, c 1 1. Karena u,156 a, maka proses 1. Dengan disribusi awal. Proses berada pada sae. Karena berpindah dari sae ke sae 1; S Proses berada pada sae 1. Karena p a b c 1 j 4 1, 5 1, 1 1, dan u3.146 a, maka proses berada pada sae 1; S 1. Jika proses ierasi dilanjukan, diperoleh barisan realisasi ranai Markov: S, S 1, S 1, S 3, S 3, S, aau disingka :, 1, 1, 3, 3,, u a, b, c u a a u a b a b u ab c S.49 1/3, 1/3, 1/3 Ya /1, Ya 1 7/1, 1/ /1, 5/1, 1/1 Ya /1, Ya 3 5/1, 1/ /1, 4/1, /1 Ya /1, 4/1, /1 Ya Conoh 1.7. Simulasi ranai Markov. Dikeahui suau ranai Markov dengan sae 1,,3, disribusi awal PS i 1 3, 1 3, 1 3 dan mariks ransisi.
8 1.8 Meode Sekuensial 1 P Simulasi suau ranai Markov jika sampling dari disribusi uniform U, 1 memberikan barisan bilangan: Simulasi dilakukan melalui abel beriku abel 1.1. u a, b, c u a a u a b a b u ab c S.59 1/3, 1/3, 1/3 Ya Ya Ya Ya Ya Ya Ya Ya Ya 1 Diperoleh realisasi proses berupa barisan bilangan:, 1, 1, 1, 1, 1, 1, 1,1. erliha proses erperangkap di sae 1. Misalkan S ranai Markov dengan sae space 1,,, N dan mariks perluang ransisi p11 p1 p1 N p1 p pn P pij, pij 1, i j pn1 pn p NN
9 SAS44/MODUL Suau ranai Markov direpresenasikan melalui : dan model linear 1,,,,, jika S 1,1,,,, jika S,,,,1, jika S N Pξ ;, 1, E 1 1 Conoh 1.8 Represenasi ranai Markov S dengan vekor biner S suau ranai Markov dengan sae space 1, S, S 1, S memiliki represenasi, 1 Conoh , 1, 1 1 S Represenasi ranai Markov. Misal sae space 1,, 3. represenasi, Conoh 1.1. Misal. Realisasi proses suau ranai Markov dengan Realisasi proses S 3, S1 1, S memiliki , 1, S Represenasi ranai Markov. Misal sae space 1,, 3. represenasi, suau ranai Markov dengan Realisasi proses S, S1, S 1 memiliki
10 1.1 Meode Sekuensial 1 1, 1 1, Conoh 1.11 Komponen vekor represenasi. Misal S suau ranai Markov 1 dengan sae space,1, dan vekor represenasi. Realisasi 3 proses S, S1, S 1 memiliki represenasi , 1 1, 1 1 dan barisan komponen 1 perama : 1, 11 1, 1. Proses penenuan komponen vekor represenasi realisasi ranai Markov diringkas dengan abel: Realisasi Vekor represenasi 1 1 S Komponen perama vekor represenasi Komponen kedua vekor represenasi Komponen keiga vekor represenasi Conoh 1.1 S Komponen vekor represenasi. Misal suau ranai Markov 1 dengan sae space, 1 dan vekor represenasi. Komponen vekor represenasi dapa diperoleh melalui proses abulasi:
11 SAS44/MODUL S erliha bahwa 1 1 Conoh 1.13 Perkalian mariks peluang ransisi dengan vekor represenasi. Misal S peluang ransisi suau ranai Markov dengan sae space, 1 dan mariks P P P P11 P1 Realisasi S 1, S1 1, S memiliki represenasi 1 1 1, 1,. Perkalian dengan P memberikan: P P1, dan P Unuk ranai Markov dengan dua sae (liha conoh di aas), dan mariks ransisi,,1,, p P 1 p 1 p 11 p 11 1, 1 p11 1 p 1, 1, 1 Persamaan 1P 1 menjadi., 1 1 p11 p,, 1 Barisan perama memberikan persamaan
12 1.1 Meode Sekuensial 1 p 1 p p 1, , 1 Unuk menyederhanakan, ulis 1, 1 1, 1,1 p c, dan 11 1 p p, persamaan menjadi;,,1, 1 c 1 Subsiusi,1,,, menghasilkan c 1 1 c c 1 1 Dengan noasi mariks dan vekor, diperoleh c ulisan persamaan di aas sebagai; Y X aksiran kuadra erkecil dan diberikan oleh 1 XX XY Conoh 1.14 Regresi sederhana Y 1 X. Vekor Y dan mariks X diberikan oleh
13 SAS44/MODUL y1 1 x1 y 1 x Y, X y n 1 x n dan Sehingga n x y i i X X, X Y xi x i xy i i 1 1 xi x i X X n x x xi n i 1 1 xi x y i i X X X Y 1 n xi xi xi n xy i i aau Kemudian dengan i i n xi yi xi yi 1, y 1 x n x x i c Y, X, 1 1
14 1.14 Meode Sekuensial diperoleh X X X X 1 1 1, X Y dan 1 cˆ 1 1 X X X Y , 1 cˆ abel beriku memperlihakan proses kompuasi penaksiran parameer dan c
15 SAS44/MODUL Conoh 1.15: Esimasi Parameer Dikeahui komponen vekor represenasi ranai Markov S,, 1 1,, 9 adalah Proses abulasi memberikan: = dan 9 9 c ˆ
16 1.16 Meode Sekuensial Conoh 1.16 abel koningensi. Dikeahui komponen vekor represenasi ranai Markov S,, 1 1,, 9 adalah Proses abulasi memberikan 1 ransisi (,) (,1) (1,) (1,1) 1 x 1 x x 3 x 4 x 5 x 6 1 x x x = Mariks frekuensi ransisi O Conoh 1.17 o11 o1 5 1 O 1 o1 o 1 Esimasi peluang ransisi. Misalkan wo-sae ranai Markov dengan 1, 1, S 1, S S, dan mariks peluang ransisi p11 p1 p11 1 p11 P p p 1 p p 1
17 SAS44/MODUL Misal O oij i j,, 1,, dengan oij frekuensi ransisi dari sae i ke sae j. Mariks O dinamakan mariks ransiion coun (mariks frekuensi ransisi) dari barisan S, S1,, S. Dengan menuliskan elemen mariks ransisi O. o O o o 11 1 o 1 aksiran peluang ransisi pˆ o, pˆ o11 o1 o1 o o LAIHAN 1) Dikeahui suau ranai Markov dengan sae space, 1 dan mariks ransisi P enukan peluang ransisi p, p11, p1, p 1! ) Dikeahui ranai Markov dengan sae space 1,, 3 dan mariks ransisi Unuk memperdalam pemahaman Anda mengenai maeri di aas, kerjakanlah laihan beriku!.4..4 P enukan peluang ransisi pi, j, i, j 1,,3!
18 1.18 Meode Sekuensial 3) Banyaknya pesera pada hari S,, suau maa kuliah diklasifikasikan dalam iga kaegori: 1 = kurang dari pesera, = anara sampai 4,3 = lebih dari 4 pesera. Daa harian pesera memberikan mariks ransisi. 1 1 P Visualisasikan mariks ransisi P dengan graf berarah! 4) Pemirsa elevisi diklasifikasikan dalam enam kaegori: = idak pernah, 1 = hanya VRI, = jam/hari, 3 = 3 jam/hari, 4 = 4 jam/hari dan 5 = lima jam/hari aau lebih. ransisi dari suau sae ke sae lain dimodelkan melalui mariks ransisi P Gambarkan mariks ransisi melalui diagram graf berarah! 5) Misalkan unuk suau produk deergen erdapa empa merek A, B, C, D. Misalkan pola pilihan produk pada minggu, S,, 1,, mengikui ranai Markov dengan peluang ransisi A B P C D enukan diagram ransisi garf berarah dari mariks deergen! 6) enukan diagram ransisi graf berarah dari mariks ransisi!
19 SAS44/MODUL P ) Misalkan suau angki air memiliki kapasias 3 m. Misal S menyaakan isi angki pada hari,, 1,,,,1,,3. dengan sae space Seiap hari dikeluarkan 1 m. Berikan inerpreasi dan diagram ransisi flukuasi isi angki berdasarkan mariks peluang ransisi P ) Suau ranai Markov S peluang ransisi dengan sae,1, memiliki mariks.1..7 P dan disribusi awal i P S i enukan realisasi ranai Markov jika sampling dari disribusi uniform U,1 menghasilkan bilangan acak: ) Suau ranai Markov S, S1, S, memiliki mariks peluang ransisi.
20 1. Meode Sekuensial.7..1 P dan disribusi awal i P S i enukan realisasi proses berdasarkan bilangan acak: ) Dikeahui suau ranai Markov dengan mariks ransisi P u a, b, c u a a u a b a b u ab c S 11) Dikeahui suau ranai Markov dengan mariks ransisi P
21 SAS44/MODUL Lengkapilah abel realisasi proses beriku: u a, b, c u a a u a b a b u ab c S ) Dikeahui suau ranai Markov dengan mariks ransisi P Lengkapilah abel realisasi proses beriku: u a, b, c u a a u a b a b u ab c S ) Suau ranai Markov memiliki sae space, 1. enukan vekor represenasi dan komponen perama 1. Realisasi proses: 1, 1, 1,,, 1.
22 1. Meode Sekuensial 14) Suau ranai Markov memiliki sae space, 1,. enukan vekor represenasi dan komponen perama 1. Realisasi proses:, 1,,, 1,,,,., 1,,3. enukan 15) Suau ranai Markov memiliki sae space vekor represenasi dan komponen perama 1. Realisasi proses:, 1,,, 1,,,,, 3, 3,, 1., 1,,. Jika 16) Dikeahui ranai Markov S dengan sae space S i, maka elemen ke-j dari vekor 1, j, 1, j, 1 1, dengan peluang pij S i, dengan peluang 1 pij unjukkan nilai ekspekasi pi E j, 1 S i pij dan E 1 S i pi 1 p i 17) Dikeahui ranai Markov S dengan sae space, 1,,3 mariks peluang ransisi dan p11 p1 p13 3 P 1 p1 p p3, pij 1, i 1,, 3 j 1 p31 p3 p 33 Misalkan S1, S,, S1 suau realisasi Markov dengan vekor represenasi, 1,,1. enukan P, 1,,1 unuk realisasi 3,,,,,,, 3, 3, 3 dan P
23 SAS44/MODUL ) Sama dengan soal 17, unuk realisasi, 1, 1,, 3,, 1, 1 dan mariks peluang ransisi P Ranai Markov S,, merupakan kuanifikasi evolusi proses erhadap waku. Sae space merupakan karakerisik uama ranai Markov. Sae berkaian dengan berbagai besaran; ingka energi, magniude gempa, banyaknya pemirsa, dan lain-lain. Peluang ransisi p aau p i, j merupakan parameer ranai Markov. Esimasi ij RANGKUMAN parameer berdasarkan frekuensi ransisi berkaian dengan abel koningensi O o ij. Melalui reprenasi model linear, parameer peluang ransisi diaksir melalui meode kuadra erkecil. Diagram ransisi melalui graf berarah merupakan ala uama dalam analisis ranai Markov. Melalui diagram ransisi, karakerisik suau ranai Markov dapa dipelajari secara sisemais. Simulasi ranai Markov memberikan suau realisasi proses berupa barisan bilangan real. 1) Koak A dan B berisi m bola. Misal S menyaakan banyaknya bola di koak A pada saa. Koak B berisi m S bola. Pada 1, diambil sau bola dari m bola secara acak dan dipindahkan ke koak lain. enukan peluang ransisi pij PS 1 j S i. Misalkan pada saa, koak A berisi i bola; S i. Pada saa 1, S 1 i 1 (bola erambil dari koak A) aau S 1 i 1 (bola erambil dari koak B). Peluang ransisi P S i 1 S i p... 1 i, j1 A. 1 m B. im ES FORMAIF 1 Pilihlah sau jawaban yang paling epa!
24 1.4 Meode Sekuensial C. m i m D. 1 i ) Koak A dan B berisi m bola. Misal pada saa, koak A berisi i bola; S i. Pada 1, sau bola dipilih secara acak dan dipindahkan ke koak S i 1. P S i 1 S i p... lain; aau A. 1 m B. im C. m i m D. 1 i 3) Misalkan S 1 1 i, i 1 mariks peluang ransisi P S 1 1 S p 1... A. 16 B. 14 C. 34 D. 56 suau ranai Markov dengan sae space,1 dan P. Peluang ransisi ) Misal S i,,1,,, i,1,, N menyaakan posisi suau bola sepanjang iik diskri,1,, N. Pada 1 bola berpindah sau langkah, ke arah kanan dengan peluang p dan ke arah kiri dengan peluang 1 p. Jika berada di iik aau N, bola bergerak ke arah dalam dengan peluang 1. Peluang ransisi diberikan oleh... p i, i 1 p, p i, i 1 1 p, i 1,, N 1 p,1 p N, N 1 1 A. B. pi, i 1 p, pi, i 1 1 p, i 1,, N 1 C. pi i p i N p pn N D. pi i p i N p pn N, 1, 1,, 1,1, 1 1, 1 1, 1,, 1,1, 1 1
25 SAS44/MODUL ) Misal S suau ranai Markov dengan sae space, 1,, 3. Pengamaan selama periode memberikan abel frekuensi ransisi O A B C D ,,3, memiliki 6) Suau ranai Markov S dengan sae space disribusi awal PS i i 1 3, 1 3, 1 3, 1,,3 dan mariks peluang ransisi 1 P Barisan bilangan acak: dan ierasi proses sebagai beriku. u a, b, c u a a u a b a b u ab c S.55 1/3, Ya 1/3, 1/ memberikan realisasi... Ya 3 Ya Ya
26 1.6 Meode Sekuensial A. 3 B. 311 C. 3 D ) Suau ranai Markov S PS i i 1,,3, memiliki disribusi awal 1 3, 1 3, 1 3, 1,,3 dan mariks peluang ransisi. 1 P 1 1 Bilangan acak: dan ierasi proses sebagai beriku. u a, b, c u a a u a b a b u ab c S.55 1/3, Ya 1/3, 1/3 1.9 Ya 1.65 Ya Ya memberikan realisasi... A B. C D ) Ranai Markov S PS s s, 1,, 3, memiliki disribusi awal 1 4, 1 4, 1 4,1 4,, 1,, 3 dan mariks peluang ransisi.
27 SAS44/MODUL P Bilangan acak: dengan ierasi proses sebagai beriku. u a, b, c, d u a a u a b a b u ab c S.55 1/4, 1/4, 1/4 Ya 1.9. Ya Ya Ya 1 memberikan realisasi... A. 13 B. 11 C. 11 D ) Dikeahui,, 1, 1 1 S suau wo-sae ranai Markov, vekor represenasi ranai Markov dan model linear p p p 1 1. Realisasi 1, , 11 1, 1 1, 13, 14, memberikan 1 dan 1, 1 masing-masing...
28 1.8 Meode Sekuensial A. ; B. ; 3 C. 3; 4 D. 4; = ) Dikeahui,, 1, Markov, S suau wo-sae ranai vekor represenasi ranai Markov dan model linear p p p 1 1. Realisasi 1, , 11 1, 1 1, 13, 14, memberikan 1 1, r1 dan 1 masing-masing... A. ; B. ; 3 C. 3; D. 1; =
29 SAS44/MODUL Cocokkanlah jawaban Anda dengan Kunci Jawaban es Formaif 1 yang erdapa di bagian akhir modul ini. Hiunglah jawaban yang benar. Kemudian, gunakan rumus beriku unuk mengeahui ingka penguasaan Anda erhadap maeri Kegiaan Belajar 1. ingka penguasaan = Jumlah Jawaban yang Benar 1% Jumlah Soal Ari ingka penguasaan: 9-1% = baik sekali 8-89% = baik 7-79% = cukup < 7% = kurang Apabila mencapai ingka penguasaan 8% aau lebih, Anda dapa meneruskan dengan Kegiaan Belajar. Bagus! Jika masih di bawah 8%, Anda harus mengulangi maeri Kegiaan Belajar 1, eruama bagian yang belum dikuasai.
30 1.3 Meode Sekuensial S Kegiaan Belajar Disribusi Sasioner uau ranai Markov dikarakerisasikan oleh mariks peluang ransisi P dan disribusi sasioner. Permasalahan penenuan disribusi sasioner jika dikeahui mariks ransisi P diselesaikan dengan analisis nilai dan vekor eigen. Penenuan mariks ransisi P jika dikeahui disribusi sasioner diselesaikan dengan pendekaan simulasi Mone Carlo. Conoh 1.18 enukan suau ranai Markov S 1,,3,4 dan disribusi sasioner PS i1 4, i 1,, 3, 4. Mariks ransisi memenuhi (Syara reversibiliy). i dengan sae space p p i ij j ji Karena i j, maka pij pji Jadi, agar i 1 4, i1,,3, 4, P mariks simeri. n Misal, n,1,,, suau vekor baris dengan elemen n PS j, j, peluang seelah dalam n langkah proses berada pada j n sae j. Unuk n 1, 1 j 1 1, 1 P S j P S j S i P S j S i P S i i i Dalam benuk mariks, n n1 Dengan cara yang sama, P. P 1 1 j i pij, j aau i
31 SAS44/MODUL Conoh 1.19 Dikeahui ranai Markov S,,1 dengan mariks ransisi P n n1 dan disribusi awal 1, dengan rumus P diperoleh P= , P= Vekor merupakan disribusi sasioner ranai Markov vekor eigen kiri dari P. dan ranai Markov S P dinamakan ranai Markov ergodik. S jika Conoh 1. S Misal dengan sae space 1,,3,4 dan mariks ransisi P merupakan vekor eigen kiri unuk P, karena
32 1.3 Meode Sekuensial Jadi = merupakan disribusi sasioner ranai Markov S,, P. Jika ranai Markov, maka Conoh 1.1 ransisi S,, P ergodik dengan disribusi sasioner lim P m Dikeahui ranai Markov diperoleh m S P= ,, P dengan mariks peluang P, P
33 SAS44/MODUL P Jadi, ranai Markov Conoh 1. S,, P ergodik dengan disribusi sasioner Disribusi sasioner ranai Markov S,, 1,, P diperoleh dari sisem persamaan x xp, dengan 1 x x x x. 1 3 x x x x x x x1 x 3 x3 (1) x x1 3 () x3 x1 3 x 3 (3) x x 3, x x 3 x 3 8x Disribusi sasioner 1 3 x x ,.15, 3.4 x1 x x3 x1 x x3 x1 x x3 x
34 1.34 Meode Sekuensial Conoh Dikeahui mariks ransisi P Perkalian mariks memberikan P Disribusi sasioner ranai Markov dengan mariks ransisi P adalah :.4.6. Conoh 1.4 Disribusi sasioner ranai Markov dua-sae. Misal S,,1 ranai Markov dengan mariks peluang ransisi. 1 a a P, a, b 1. 1 b 1 b Dapa diunjukkan lim P n n b a b a a b 1 b a b a b a a b abb a 1 a b adalah disribusi ranai Jadi b a b a a b b a S,, 1, P. Markov Conoh Dikeahui mariks ransisi P a 1 4, b1 6, ab 5 1, a ( ab) 1 3 5, b a b Jadi disribusi sasioner ranai Markov S,, 1, P adalah
35 SAS44/MODUL Conoh 1.6 Dikeahui ranai Markov,, 1, Disribusi sasioner x x x x S dengan mariks ransisi P diperoleh dari persamaan 1 xp x x x1 x 1 aau x x1 x 1 x x x x x x x.5 x.5x x.5 x.7 x.5x x.1 x.5 x.45x x x x1 x Karena kendala x x1 x 1, sau persamaan dapa dihapus (misalnya persamaan 3) penyederhanaan memberikan: 6x 5x1 5x (1) 5x 3x1 5x () x x1 x 1 (3)
36 1.36 Meode Sekuensial 65x 8x 1 1 dan memberikan 65 x 5 x 5 65, x 5 8, x Jadi disribusi sasioner proses Eksisensi disribusi sasioner. Dua keadaan (sae) i dan j dikaakan accessible, diulis i jjika erdapa barisan ik1 kn j sehingga p, p, p. Jika j dan i juga accessible, i dan j dikaakan 1 k1 km, km1 kn, j communicae. Kumpulan keadaan communicae membenuk kelas ekuivalen. Jika semua keadaan di sae space Ω communicae, maka sae space Ω dikaakan irreducible; sae space hanya erdiri dari sau kelas, i j. Selain iu, Ω merupakan sae space reducible. Jika erdapa lebih S dari sau kelas ekivalen ranai Markov reducible dan disribusi sasioner idak (harus) unik. Sae space Ω dapa di parisi dalam kelas-kelas ekivalen melalui relasi. Ω Ω Ω1 Ω, Ωi Ω j, i j Conoh P dapa di parisi menjadi 1 3 Parisi sae space. Misal,1,,3 dan dengan Sae space,1,,3 reducible. Conoh 1.8, 1 1,, 3 3. Ranai Markov Parisi sae space. Sae,1,,3 dengan mariks. S,
37 SAS44/MODUL P dapa di parisi menjadi 1, 3,4. Ranai markov reducible. Sae space 1,,, N S, dengan mariks ransisi P dapa di parisi menjadi 1, i j, i j jika mariks P mariks blok segiiga aas (upper block riangular). N N B K K C P,1 K N D Sekali proses berada di sae j, j K, proses idak mungkin kembali ke sae K 1, K,, N. Jika sae space dapa di parisi 1, i j, i j, ranai Markov S, reducible. Ranai Markov yang idak reducible (no reducible) dinamakan irreducible. Conoh 1.9 Disribusi sasioner idak unik Dikeahui ranai Markov mariks ransisi. S dengan sae space 1,, 3, P dan 1, dan 3,4 merupakan kelas ekivalen, Sae space 1,, 3, 4 parisi menjadi 1, 3,4. Vekor di dan merupakan vekor eigen kiri dengan nilai eigen 1. Jika
38 1.38 Meode Sekuensial keadaan awal S, disribusi sasioner adalah dan jika 1, disribusi sasioner adalah. S 3,4, Konsep reversibiliy berkaian dengan arah realisasi suau ranai Markov. Mariks ransisi P 1 1 mendefinisikan suau ranai irreducible. Barisan 13 1mungkin erjadi, eapi balikannya idak mungkin erjadi karena p3. Dengan demikian arah simulasi dapa dikeahui. Dalam hal ini, ranai idak reversible. Conoh 1.3 Diagram ransisi. Misal ransisi (simeri). S suau ranai Markov dengan mariks 1 1 P Gambar 1. Diagram ransisi
39 SAS44/MODUL Diagram ransisi menunjukkan ranai Markov S, P irreducible dan aperiodic. Dari sae proses selalu dapa kembali ke sae, misalnya 1. eapi dapa juga dalam uruan langkah 1. Sae aperiodik Dapa diunjukkan, sae 1 dan juga aperiodik. Conoh 1.31 Diagram ransisi. Misal S suau ranai Markov dengan mariks ransisi P Gambar 1.3. Diagram ransisi Diagram ransisi menunjukkan ranai Markov irreducible dan periodik dengan periode 3. Conoh 1.3 Irreducible ranai Markov. Sae space j dikaakan accessible dari sae n i, i j, jika p, unuk suau ineger n. Dua sae i, j communicae, ij noasi i j, jika i j dan j i. Suau proses irreducible jika semua sae communicae. Relasi communicae merupakan relasi ekivalen, dan melalui relasi communicae sae space di parisi dalam kelas-kelas ekivalen.
40 1.4 Meode Sekuensial Suau ranai Markov irreducible jika hanya erdapa sau kelas ekivalen. Misalkan S suau ranai Markov dengan mariks ransisi. P P P Gambar 1.4. Sae space di parisi dalam dua kelas ekivalen: 1, 3,4,5. Ranai Markov S Conoh 1.33 Parisi Mariks ransisi:,, P reducible P P P
41 SAS44/MODUL memberikan limi n P lim P n n diperoleh melalui sisem persamaan aau ; Dengan cara sama, diperoleh 1, 1 Conoh 1.34 Sae periodik. Misal,1, S suau ranai Markov dengan sae space dan mariks ransisi 1 1 P 1 1
42 1.4 Meode Sekuensial Perhaikan mariks memberikan Gambar 1.5. n n1 P P, P P Diagram ransisi memperlihakan sae merupakan sae periodik. Periode sae dihiung melalui rumus S Misal Markov n d gcd n1, p gcd, 4, 6, S suau ranai Markov dengan mariks ransisi P. Barisan, reversed dari ranai S S juga suau ranai Markov. Ranai reversible jika mariks ransisi ranai S sama dengan mariks ransisi S ; p p, i, j. Ranai Markov S ij dengan disribusi sasioner reversible jika dan hanya jika dan mariks ransisi P memenuhi balanced condiion. k Himpunan p p, i, j Ω i ij j ji k, P, k menyaakan himpunan banyaknya ii langkah unuk revisie sae i. Pembagian persekuuan erbesar dari himpunan dinamakan periode dari sae i. Suau ranai Markov di mana seiap sae mempunyai periode 1 dikaakan aperiodik. Ranai Markov periodik jika periode seiap sae lebih besar dari 1. ji S
43 SAS44/MODUL Conoh 1.35 Menghiung periode suau sae. Dikeahi mariks ransisi p Perhiungan 5 6 p P memberikan:, 1 4 periode sae adalah Jadi sae periodik dengan periode Misal S d gcd 4, 6,8, p, p, p, p 1, d space erhiung P, jika erdapa maka ranai Markov sasioner unik. Conoh 1.36 Misal S suau ranai Markov irreducible, periodik dengan sae S sehingga p p, i, j Ω i i ij j ji reversible dan ergodik dengan disribusi suau ranai Markov irreducible dengan sae space 1,,, N dan mariks ransisi simeeri pij pji. Maka ranai Markov S reversible dengan disribusi sasioner (unik) seragam; 1 N. i LAIHAN 1) Dikeahui ranai Markov ransisi Unuk memperdalam pemahaman Anda mengenai maeri di aas, kerjakanlah laihan beriku! S,,1 dengan mariks peluang
44 1.44 Meode Sekuensial enukan disribusi sasioner,, 1 a a P b 1 b ranai Markov b a Jawab., a b. Jika a b a b a b aau n 1, dan ranai Markov periodik. S,,1,. P, maka n 1 c 1 d 1, cd 1. Jika ab 1, ) enukan disribusi sasioner ranai Markov S dengan mariks ransisi a. P b. P ,,1, c P d. 1 1 P ) Suau bus beroperasi pada suau linasan (roue) koninu dengan beberapa pemberhenian. Kedaangan pada suau pemberhenian diklasifikasikan dalam 3 keadaan: 1. lebih awal dari jadwal;. sesuai jadwal; 3. erlamba. Misalkan keadaan kedaangan di pemberhenian merupakan suau ranai Markov dengan mariks peluang ransisi P..5.3 dan sae space 1,, enukan a. Disribusi sasioner ; b. Persenase erlamba dari jadwal,.
45 SAS44/MODUL ) enukan parisi sae space 1, i j, i j ranai Markov a P S, dengan mariks ransisi b P c. e. f P d P P P ) Dikeahui suau ranai Markov dengan mariks ransisi 1 1 P a. enukan diagram ransisi b. Apakah sae periodik (Jawab, idak periodik)
46 1.46 Meode Sekuensial 6) Dikeahui ranai Markov pada 1,, 3 dan mariks ransisi 1 1 P unjukkan 1 3 n P, P p p, P p p p ;, 3 n, p d gcd, , sae 1 aperiodic. 7) enukan periode sae ranai Markov d i, i, 1,, 3 dengan mariks ransisi P RANGKUMAN 1. Suau ranai Markov dengan mariks ransisi P reducible jika P dapa diulis dalam benuk. B P C D. Sae j dikaakan accessible dari sae i, i j, jika erdapa barisan (sae) i k1 k kn j sehingga p, p, k, p. Sae i dan j communicae, i j, ik1 km m1 kn j jika i j. Sae space irreducible jika semua sae communicae.
47 SAS44/MODUL Misal S,, P, ranai Markov dengan mariks ransisi P dan disribusi sasioner (unggal). Ranai reversible jika dan hanya jika p p, i, j. Misal i ij j ji S,, P, ranai Markov irreducible dengan sae space N P simeri maka ranai reversible dan 1 N. 4. Periode sae persekuuan erbesar. Jika sae i aperiodic. i 1,,,. Jika n n n pii d i i, d i gcd n 1, p,gcd ii pembagian 1,, maka 1 dan ES FORMAIF Pilihlah sau jawaban yang paling epa! 1) Disribusi sasioner ranai Markov dengan mariks ransisi adalah... A. 1 B. 1 C. 1 1 D P 1 ) Vekor merupakan disribusi sasioner ranai Markov dengan mariks ransisi P jika... A. P B. P C. P 1 D. P 3) Disribusi sasioner,, ranai Markov dengan mariks ransisi P A B
48 1.48 Meode Sekuensial C D ) Misal S suau ranai Markov dengan mariks ransisi P ,, 3 di parisi menjadi... Sae space A. 1,3 B. 1, 3 C. 1,3 D. 1 3 S 5) Misal suau ranai Markov dengan mariks ransisi P Sae space 1,, 3, 4, 5 di parisi menjadi... A B. 1,3 4,5 C. 1,3, 4 5 D. 1, 3,4 5 S 6) Dikeahui ranai Markov mariks ransisi dengan sae space,1,,3 dan
49 SAS44/MODUL P Sae priodik dengan periode... A. 1 B. C. 3 D. 4 S 7) Dikeahui ranai Markov mariks ransisi 1 1 P dengan sae space 1,,3 dan d 1... A. 1 B. C. 3 D. 4 Cocokkanlah jawaban Anda dengan Kunci Jawaban es Formaif yang erdapa di bagian akhir modul ini. Hiunglah jawaban yang benar. Kemudian, gunakan rumus beriku unuk mengeahui ingka penguasaan Anda erhadap maeri Kegiaan Belajar. ingka penguasaan = Jumlah Jawaban yang Benar 1% Jumlah Soal Ari ingka penguasaan: 9-1% = baik sekali 8-89% = baik 7-79% = cukup < 7% = kurang
50 1.5 Meode Sekuensial Apabila mencapai ingka penguasaan 8% aau lebih, Anda dapa meneruskan dengan modul selanjunya. Bagus! Jika masih di bawah 8%, Anda harus mengulangi maeri Kegiaan Belajar, eruama bagian yang belum dikuasai.
51 SAS44/MODUL Kunci Jawaban es Formaif es Formaif 1 1) B ) C 3) B 4) A 5) C 6) A 7) B 8) D 9) A 1) D es Formaif 1) D ) A 3) A 4) B 5) B 6) B 7) A
52 1.5 Meode Sekuensial Dafar Pusaka aylor, H.M., Karlin S. (1984). An Inroducion o Sochasic Modeling. Academic Press.
Metode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 robabilias 2.1.1 Definisi robabilias adalah kemungkinan yang daa erjadi dalam suau erisiwa erenu. Definisi robabilias daa diliha dari iga macam endekaan, yaiu endekaan klasik,
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciRANK DARI MATRIKS ATAS RING
Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
Lebih terperinciFungsi Bernilai Vektor
Fungsi Bernilai Vekor 1 Deinisi Fungsi bernilai vekor adalah suau auran yang memadankan seiap F R R dengan epa sau vekor Noasi : : R R F i j, 1 1 F i j k 1 dengan 1,, ungsi bernilai real Conoh : 1. 1 F
Lebih terperinciBAB IV NILAI EIGEN DAN VEKTOR EIGEN. Bab ini membahas suatu vektor tidak nol x dan skalar l yang mempunyai
BAB IV NILAI EIGEN DAN VEKTOR EIGEN Bab ini membahas suau vekor idak nol dan skalar l yang mempunyai hubungan erenu dengan suau mariks A. Hubungan ersebu dinyaakan dalam benuk A λ. Bagaimana kia memperoleh
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinci1.4 Persamaan Schrodinger Bergantung Waktu
.4 Persamaan Schrodinger Berganung Waku Mekanika klasik aau mekanika Newon sanga sukses dalam mendeskripsi gerak makroskopis, eapi gagal dalam mendeskripsi gerak mikroskopis. Gerak mikroskopis membuuhkan
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan
BAB II LANDASAN TEORI Pada bab ini akan dibahas dasar-dasar eori yang akan digunakan dalam penulisan skripsi ini, yaiu model regresi dua level, meode penaksiran maximum likelihood, mariks parisi, kronecker
Lebih terperinciBAB KINEMATIKA DENGAN ANALISIS VEKTOR
BAB KINEMATIKA DENGAN ANALISIS VEKTOR Karakerisik gerak pada bidang melibakan analisis vekor dua dimensi, dimana vekor posisi, perpindahan, kecepaan, dan percepaan dinyaakan dalam suau vekor sauan i (sumbu
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciBAB 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 terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciMUH1G3/ MATRIKS DAN RUANG VEKTOR
MUHG/ MATRIKS DAN RUANG VEKTOR TIM DOSEN 8 VEKTOR DAN NILAI EIGEN /5/7 9.9 Beberapa Aplikasi Ruang Eigen Uji Kesabilan dalam sisem dinamik Opimasi dengan SVD pada pengolahan Cira Sisem Transmisi dan lain-lain.
Lebih terperinciAljabar Linear Elementer
Silabus : Aljabar Linear Elemener MA SKS Bab I Mariks dan Operasinya Bab II Deerminan Mariks Bab III Sisem Persamaan Linear Bab IV Vekor di Bidang dan di Ruang Bab V Ruang Vekor Bab VI Ruang Hasil Kali
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV HAMILTON *
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV HAMILON * BERLIAN SEIAWAY, YANA ADHARINI DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus IPB
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciFaradina GERAK LURUS BERATURAN
GERAK LURUS BERATURAN Dalam kehidupan sehari-hari, sering kia jumpai perisiwa yang berkaian dengan gerak lurus berauran, misalnya orang yang berjalan kaki dengan langkah yang relaif konsan, mobil yang
Lebih terperinciHIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X
BAB II HIDDE MARKOV MODEL.. Pendahuluan Proses Sokasik dapa dipandang sebagai suau barisan peubah acak { X, } dengan adalah parameer indeks dan X menyaakan keadaan pada saa. Himpunan dari semua nilai sae
Lebih terperinciSIMULASI PERGERAKAN TINGKAT BUNGA BERDASARKAN MODEL VASICEK
Jurnal Maemaika Murni dan Terapan εpsilon Vol.9 No.2 (215) Hal. 15-24 SIMULASI PEGEAKAN TINGKAT BUNGA BEDASAKAN MODEL VASICEK Shanika Marha, Dadan Kusnandar, Naomi N. Debaaraja Fakulas MIPA Universias
Lebih terperinciB a b 1 I s y a r a t
TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.
Lebih terperinciMODUL PERTEMUAN KE 3. MATA KULIAH : FISIKA TERAPAN (2 sks)
Polieknik Negeri Banjarmasin 4 MODUL PERTEMUAN KE 3 MATA KULIAH : ( sks) MATERI KULIAH: Jarak, Kecepaan dan Percepaan; Gerak Lurus Berauran, Percepaan; Gerak Lurus Berauran, Gerak Lurus Berubah Berauran
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciBAB 2 LANDASAN TEORI
15 BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian 2.1.1 Definisi Ruang Sampel Himpunan semua hasil semua hasil (oucome) yang mungkin muncul pada suau percobaan disebu ruang sampel dan dinoasikan dengan
Lebih terperinciBAB 7 NILAI EIGEN DAN VEKTOR EIGEN. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 7 NILAI EIGEN DAN VEKTOR EIGEN Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Nilai Eigen dan Vekor Eigen. Diagonalisasi. Diagonalisasi secara Orogonal 7. NILAI EIGEN DAN VEKTOR EIGEN Definisi
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciJurusan Teknik Sipil Fakultas Teknik Sipil dan Perencanaan Universitas Mercu Buana MODUL PERTEMUAN KE 3. MATA KULIAH : FISIKA DASAR (4 sks)
MODUL PERTEMUAN KE 3 MATA KULIAH : (4 sks) MATERI KULIAH: Jarak, Kecepaan dan Percepaan; Gerak Lurus Berauran, Percepaan; Gerak Lurus Berauran, Gerak Lurus Berubah Berauran POKOK BAHASAN: GERAK LURUS 3-1
Lebih terperinciFIsika KTSP & K-13 KINEMATIKA. K e l a s A. VEKTOR POSISI
KTSP & K-13 FIsika K e l a s XI KINEMATIKA Tujuan Pembelajaran Seelah mempelajari maeri ini, kamu diharapkan mampu menjelaskan hubungan anara vekor posisi, vekor kecepaan, dan vekor percepaan unuk gerak
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB IV PERHITUNGAN NUMERIK
BAB IV PERHITUNGAN NUMERIK Dengan memperhaikan fungsi sebaran peluang berahan dari masingmasing sebaran klaim, sebagai mana diulis pada persamaan (3.45), (3.70) dan (3.90), perhiungan numerik idak mudah
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinci3. Kinematika satu dimensi. x 2. x 1. t 1 t 2. Gambar 3.1 : Kurva posisi terhadap waktu
daisipayung.com 3. Kinemaika sau dimensi Gerak benda sepanjang garis lurus disebu gerak sau dimensi. Kinemaika sau dimensi memiliki asumsi benda dipandang sebagai parikel aau benda iik arinya benuk dan
Lebih terperinciLIMIT FUNGSI. 0,9 2,9 0,95 2,95 0,99 2,99 1 Tidak terdefinisi 1,01 3,01 1,05 3,05 1,1 3,1 Gambar 1
LIMIT FUNGSI. Limi f unuk c Tinjau sebuah fungsi f, apakah fungsi f ersebu sama dengan fungsi g -? Daerah asal dari fungsi g adalah semua bilangan real, sedangkan daerah asal fungsi f adalah bilangan real
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciBAB III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis
BAB III HASIL DAN PEMBAHASAN A. Permasalahan Nyaa Penyebaran Penyaki Tuberculosis Tuberculosis merupakan salah sau penyaki menular yang disebabkan oleh bakeri Mycobacerium Tuberculosis. Penularan penyaki
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciSEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galatia Ballangan)
SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galaia Ballangan) SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Saionary Disribuion of Swiss Bonus-Malus
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciFISIKA. Kelas X GLB DAN GLBB K13 A. GERAK LURUS BERATURAN (GLB)
K3 Kelas X FISIKA GLB DAN GLBB TUJUAN PEMBELAJARAN Seelah mempelajari maeri ini, kamu diharapkan memiliki kemampuan beriku.. Memahami konsep gerak lurus berauran dan gerak lurus berubah berauran.. Menganalisis
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciIII KERANGKA PEMIKIRAN
III KERANGKA PEMIKIRAN 3.1 Teori Risiko Produksi Dalam eori risiko produksi erlebih dahulu dijelaskan mengenai dasar eori produksi. Menuru Lipsey e al. (1995) produksi adalah suau kegiaan yang mengubah
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Adapun bentuk yang sederhana dari suatu persamaan diferensial orde satu adalah: di dt
BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C. Persamaan Diferensial Orde Sau Adapun benuk yang sederhana dari suau persamaan ferensial orde sau adalah: 0 a.i a 0 (.) mana a o dan a konsana. Persamaan (.)
Lebih terperinciDrs. H. Karso, M.M.Pd. Modul 11 NILAI EIGEN, VEKTOR EIGEN DAN DIAGONALISASI METRIKS
Drs. H. Karso, M.M.Pd. Modul NILAI EIGEN, VEKTOR EIGEN DAN DIAGONALISASI METRIKS Pendahuluan Modul yang ke- dari maa kuliah Aljabar Linear ini akan mendiskusikan beberapa konsep yang berguna bagi kia sebagai
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciBAB 4 METODOLOGI PENELITIAN
BAB 4 METODOLOGI PENELITIAN 4.1. Model Rumusan Masalah dan Pengambilan Kepuusan Model rumusan masalah dan pengambilan kepuusan yang digunakan dalam menyelesaikan skripsi ini dimulai dari observasi lapangan
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
Lebih terperinciBAB II MATERI PENUNJANG. 2.1 Keuangan Opsi
Bab II Maeri Penunjang BAB II MATERI PENUNJANG.1 Keuangan.1.1 Opsi Sebuah opsi keuangan memberikan hak (bukan kewajiban) unuk membeli aau menjual sebuah asse di waku yang akan daang dengan harga yang disepakai.
Lebih terperinciMatematika EBTANAS Tahun 1988
Maemaika EBTANAS Tahun 988 EBT-SMA-88- cos = EBT-SMA-88- Sisi sisi segiiga ABC : a = 6, b = dan c = 8 Nilai cos A 8 4 8 EBT-SMA-88- Layang-layang garis singgung OAPB, sudu APB = 6 dan panjang OP = cm.
Lebih terperinciBAB X GERAK LURUS. Gerak dan Gaya. Buku Pelajaran IPA SMP Kelas VII 131
BAB X GERAK LURUS. Apa perbedaan anara jarak dan perpindahan? 2. Apa perbedaan anara laju dan kecepaan? 3. Apa yang dimaksud dengan percepaan? 4. Apa perbedaan anara gerak lurus berauran dan gerak lurus
Lebih terperinciKINEMATIKA GERAK DALAM SATU DIMENSI
KINEMATIKA GERAK DALAM SATU DIMENSI PENDAHULUAN Kinemaika adalah bagian dari mekanika ang membahas enang gerak anpa memperhaikan penebab benda iu bergerak. Arina pembahasanna idak meninjau aau idak menghubungkan
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryano Sudirham Sudi Mandiri Inegral dan Persamaan Diferensial ii Darpublic 4.1. Pengerian BAB 4 Persamaan Diferensial (Orde Sau) Persamaan diferensial adalah suau persamaan di mana erdapa sau aau lebih
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Poensi sumberdaya perikanan, salah saunya dapa dimanfaakan melalui usaha budidaya ikan mas. Budidaya ikan mas yang erus berkembang di masyaraka, kegiaan budidaya
Lebih terperinciKLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS. Wulan Fatin Nasyuha¹, Husaini 2 dan Mursyidah 3 ABSTRAK
KLASIFIKASI DOKUMEN TUGAS AKHIR MENGGUNAKAN ALGORITMA K-MEANS Wulan Fain Nasyuha¹, Husaini 2 dan Mursyidah 3 1,2,3 Teknologi Informasi dan Kompuer, Polieknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciBAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang kegiaan uamanya menerima simpanan giro, abungan dan deposio. Kemudian bank juga dikenal sebagai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciPEMERINTAH PROVINSI DAERAH KHUSUS IBUKOTA JAKARTA. Jl. Jend. Gatot Subroto Kav Jakarta Selatan
PEMERINTAH PROVINSI DAERAH KHUSUS IBUKOTA JAKARTA Jl. Jen Gao Subroo Kav. Jakara Selaan KOMPETISI MATEMATIKA KE MGMP MATEMATIKA DKI JAKARTA TEST PENYISIHAN KELAS : XII (DUA BELAS) HARI/TGL : MINGGU, NOVEMBER
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekaan Peneliian Jenis peneliian yang digunakan dalam peneliian ini adalah peneliian evaluasi dan pendekaannya menggunakan pendekaan kualiaif non inerakif (non
Lebih terperinciPENDAHULUAN LANDASAN TEORI
PEDAHULUA Laar Belakang Menduga dan meramal sae yang idak bisa diamai secara langsung dari suau kejadian ekonomi adalah ening Pemerinah melalui bank senral dan ara regulaor daa menggunakan informasi enang
Lebih terperinciSINYAL TEAM DOSEN. Signal&System Prodi Telekomunikasi Polsri 1
SINYAL TEAM DOSEN Prodi Telekomunikasi Polsri Ouline Definisi Sinyal & Sinyal dalam kehidupan kia Klasifikasi Sinyal Sinyal waku koninyu & Sinyal waku Diskre Sinyal Periodik & Aperiodik Sinyal Genap &
Lebih terperinciBab 2 Landasan Teori
Bab 2 Landasan Teori 2.1 Keseimbangan Lini 2.1.1 Definisi Keseimbangan Lini Penjadwalan dari pekerjaan lini produksi yang menyeimbangkan kerja yang dilakukan pada seiap sasiun kerja. Keseimbangan lini
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I. PENDAHULUAN. Laar Belakang Menuru Sharpe e al (993), invesasi adalah mengorbankan ase yang dimiliki sekarang guna mendapakan ase pada masa mendaang yang enu saja dengan jumlah yang lebih besar. Invesasi
Lebih terperinciHUMAN CAPITAL. Minggu 16
HUMAN CAPITAL Minggu 16 Pendahuluan Invesasi berujuan unuk meningkakan pendapaan di masa yang akan daang. Keika sebuah perusahaan melakukan invesasi barang-barang modal, perusahaan ini akan mengeluarkan
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciRelasi LOGIK FUNGSI AND, FUNGSI OR, DAN FUNGSI NOT
2 Relasi LOGIK FUNGSI ND, FUNGSI OR, DN FUNGSI NOT Tujuan : Seelah mempelajari Relasi Logik diharapkan dapa,. Memahami auran-auran relasi logik unuk fungsi-fungsi dasar ND, OR dan fungsi dasar NOT 2. Memahami
Lebih terperinci1. Pengertian Digital
Kegiaan elajar. Pengerian Digial Tujuan Khusus Pembelajaran Pesera harus dapa: Menyebukan definisi besaran analog Menyebukan definisi besaran digial Menggambarkan keadaan logika Menyebukan perbedaan nilai
Lebih terperinciBAB II TEORI DASAR ANTENA
BAB II TEORI DASAR ANTENA.1. endahuluan Anena didefinisikan oleh kamus Webser sebagai ala yang biasanya erbua dari meal (sebagai iang aau kabel) unuk meradiasikan aau menerima gelombang radio. Definisi
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Deskripsi Teori 3.1.1. Pengerian Peramalan Unuk membanu ercapainya suau kepuusan yang efisien unuk penjualan produknya, perusahaan memerlukan suau cara yang epa, sisemais dan
Lebih terperinciANALISIS ANTRIAN ANGKUTAN UMUM BUS ANTAR KOTA REGULER DI TERMINAL ARJOSARI
Achmadi, Analisis Anrian Angkuan Umum Bus Anar Koa Reguler di Terminal ANALISIS ANTRIAN ANGKUTAN UMUM BUS ANTAR KOTA REGULER DI TERMINAL ARJOSARI Seno Achmadi Absrak : Seiring dengan berkembangnya aku,
Lebih terperinci