ESTIMASI PARAMETER REGRESI DATA PANEL MODEL EFEK TETAP BERDISTRIBUSI POISSON TERGENERALISASI TERBATAS MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD
|
|
- Farida Tanuwidjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI PARAMETER REGRESI DATA PANEL MODEL EFEK TETAP BERDISTRIBUSI POISSON TERGENERALISASI TERBATAS MENGGUNAKAN METODE MAKSIMUM LIKELIHOOD Fahri 1, Kresa, Aisa 3 ABSTRAK Data pael adalah data hasil pegaata pada beberapa idividu (uit crosssectioal) yag asig asig diaati dala beberapa periode watu yag beruruta (uit watu). Pada peelitia ii diguaa data pael dega variabel julah ecelaaa lalu litas, julah pelaggara lalu litas da odisi liguga. Utu eetua hubuga fugsioal atar variabel tersebut aa aa diguaa aalisis regresi dala hal ii regresi Poisso tergeeralisasi terbatas. Model regresi data pael yag diguaa dala peelitia ii adalah Model Efe Tetap (MET) dega egguaa data hitug (cout data) yag baya diteua pada ejadia yag jarag terjadi yaitu Kecelaaa Lalu Litas. Keudia, dala MET aa ditabaha variabel boea utu egizia terjadiya perbedaa ilai paraeter yag ada. Setelah itu, aa ditetua odel regresi data pael berdistribusi Poisso tergeeralisasi terbatas diaa paraeter-paraeter regresi diestiasi dega egguaa Metode Maxiu Lielihood Estiatio (MLE) da Newto Raphso. Hasil odel regresi tiap idividu yag diteua pada peelitia ii eilii perbedaa ilai error yag sigifia. Kata Kuci : Data Hitug, Kecelaaa Lalu Litas, Maxiu Lielihood Estiatio (MLE), Model Efe Tetap (MET), Model Data Pael, Newto Raphso, Regresi Poisso Tergeeralisasi Terbatas, LSDV. 1. Pedahulua Pada suatu peelitia, variabel diaati dala watu atau periode tertetu. Nau teradag variabel yag diguaa dala peelitia perlu utu diaati lebih dari satu ali pada watu atau periode yag berbeda selaa asa peelitia atau pegaata. Pegaata terhadap variabel peelitia yag diguaa pada suatu uit pegaata di watu yag saa disebut data cross sectio, sedaga pegaata terhadap variabel depede da variabel idepede pada suatu uit pegaata di watu yag berbeda disebut data tie series. Da data pael erupaa gabuga atara data tie series da cross-sectioal. Aalisis regresi yag serig diguaa pada data pael disebut dega aalisis regresi data pael. Terdapat 3 pedeata dala egestiasi odel data pael, yaitu Model Efe Uu (MEU), Model Efe Tetap (MET) da Model Efe Aca (MEA). Pada peelitia ii aa dibahas odel data pael dega etode efe tetap (MET) egguaa Ordiary Least Square (OLS) dega eabaha variabel boea/seu. Selajutya pada aalisis odel tersebut aa diguaa data uatitatif dala hal ii data hitug (cout). Aalisis regresi yag diguaa pada data hitug 1
2 (cout) adalah regresi Poisso. Pada regresi Poisso diguaa data yag egalai equisdispersi. Aa tetapi pada data pael, cederug diteua terjadiya overdispersi. Pada data yag egalai overdispersi apabila diaalisis dega regresi Poisso aa stadar error peduga oefisie regresi aa lebih ecil dari ilai sebearya atau uderestiate. Utu egatasi asalah tersebut, salah satu etode yag dapat diguaa adalah aalisis regresi Poisso tergeeralisasi terbatas Pada regresi Poisso tergeeralisasi terbatas terdapat persaaa regresi yag tergatug pada paraeter-paraeter. Paraeter diartia sebagai hasil peguura yag eggabara arateristi dari suatu populasi. Paraeter biasaya tida dietahui ilaiya, sehigga dilaua peasira atau estiasi. Dala tulisa ii, peulis egguaa asiu lielihood yag erupaa salah satu etode dari peasir titi. Ide dasar etode asiu lielihood adalah eetua paraeter yag easiala eugia dari data sapelya.. Tijaua Pustaa.1. Kosep Data Pael Data pael adalah data yag erupaa hasil dari pegaata pada beberapa idividu (uit cross-sectioal) yag asig-asig diaati dala beberapa periode watu yag beruruta (uit watu). Model regresi data pael secara uu dapat diyataa pada persaaa beriut : y it = β 0 + βx it + ε it i = 1,, N t = 1,, T (1) dega: y it = Variabel depede utu uit cross sectio e-i da periode watu e-t, β 0 = Kostata itercept, X it = Vetor Variabel idepede utu uit cross sectio e-i da periode watu e-t, β = Vetor Koefisie slope, ε it = Error regresi utu uit cross sectio e-i da periode watu e t,.. Regresi Poisso Pada odel regresi Poisso, fugsi peghubug yag diguaa adalah fugsi peghubug log area fugsi log ejai bahwa ilai variabel yag diharapa dari variabel respoya aa berilai o-egatif. Beriut ii adalah fugsi peghubug yag diguaa utu odel regresi Poisso. l E(y x) = l(μ it ) = β 0 + β 1 x 1it + β x it + + β x it μ it = exp(β 0 + j=1 β j x jit ) = exp( β 0 + β 1 x 1it + β x it + + β x it ().3. Model Efe Tetap Secara uu betu regresi data pael pada MET ialah y it = β 0i + β j x jit + ε it i = 1,,3,, N t = 1,,3,, T (3)
3 Hal ii juga eberia asusi bahwa slope (β) diaggap osta bai atar uit cross sectio aupu atar uit tie series sedaga itercept dari odel berbeda atar uit cross sectio. Salah satu cara utu eperhatia uit cross sectio atau uit tie series adalah dega easua variabel boea/seu (duy variabel) utu egizia terjadiya perbedaa ilai paraeter, bai litas uit cross sectio aupu atar uit tie series. betu uu odel regresi efe tetap dega peabaha variabel duy yaitu: y it = β 01 + β 0 D i + β 03 D 3i + β 1 x 1it + β x it + ε it (4) diaa jia D i = 1 aa yag laiya berilai 0. Dala egguaa Model Efe Tetap (MET) dega peabaha variabel duy, odel regresi Poisso dapat dibetu dega egasusia. y it ~ Poisso (λ it ), λ it = μ it = exp (β 01 + β 0l D li + β j x jit ) (5) l= Pr[Y it = y it ] = λ y it e λ it it y it!.4. Distribusi Poisso Tergeeralisasi Terbatas Distribusi Poisso tergeeralisasi diguaa utu data iteger o-egatif dega paraeter θ da λ, diaa 0 λ < 1 da θ > 0. Misala paraeter λ = αθ ebuat λ berbadig lurus dega θ sehigga paraeter edua λ dibatasi da eyebaba odel distribusi Poisso tergeeralisasi terbatas sebagai beriut: P(X; θ, α) = { θx x 1 e θ(1+αx) (1 + αx) x! 0 laiya j=1 ; x = 0,1,, diaa ax { θ 1, 1 4 } α θ 1. Diataa bahwa ea da variasi distribusi Poisso tergeeralisasi terbatas pada pers. (7) yaitu μ = da (1 αθ) σ = sehigga odel regresi Poisso tergeeralisasi terbatas ejadi: P(Y = y x i ) = { ( 1+αμ )y (1 + αy) μ μ(1+αy) exp( y 1 1+αμ ) θ ; y = 0,1,, θ (6) (7) (1 αθ) 3 0 laiya.5. Uji Chi-Square Uji ii diguaa utu eetua apaah data yag diteliti berdistribusi Poisso atau tida.6. Uji Pearso Chi-Square Uji ii diguaa utu eetua apaah data egalai overdispersi atau tida..7. Uji Hausa Uji ii dilaua utu egetahui apaah odel tasira yag aa dipaai adalah odel efe tetap atau odel efe aca dega lagah-lagah sebagai beriut: (8) 3
4 1. Ruusa hipotesis statistiya, yaitu : H 0 Rado Effect H 1 Fixed Effect. Buat riteria uji, yaitu : Tola H0 jia ilai statisti Hausa χ α,df atau p-value < 0,05. Statisti uji Hausa ii egiuti distribusi statisti chi-uadrat dega derajat bebas, dega adalah baya variabel idepede..8. Masiu Lielihood Estiatio Misala terdapat pegaata y 1, y,, y yag asig-asig epuyai suatu pdf f(y i, θ), i = 1,,,. Fugsi lielihood adalah suatu fugsi dari θ yaitu l(θ) = f(y 1, θ) f(y, θ) = i=1 f(y i, θ). (10) Jia θ adalah aggota suatu selag terbua da l(θ) terdiferesial da epuyai suatu ilai asiu pada selag tersebut, aa MLE adalah suatu peyelesaia dari persaaa asiu lielihood. d l(θ) = 0 (11) dθ.9. Newto Raphso Metode ewto raphso adalah etode pedeata yag egguaa satu titi awal da edeatiya dega eperhatia slope atau gradiet pada titi tersebut. Titi pedeata e +1 ditulisa dega : X +1 = X f(x) f (x) 3. Hasil da Pebahasa 3.1 Fp Model Regresi Poisso Tergeeralisasi Terbatas Pada regresi Poisso tergeeralisasi terbatas, variabel Y eilii distribusi Poisso diaa: P(Y = y) = f(θ, λ) f(θ, λ)didefeisia pada persaaa (.1) yaitu: e (θ+yλ) y 1 P(y; θ, λ) = θ(θ + yλ) ; y = 0,1,, Jia paraeter λ diisala ejadi λ = αθ aa fugsi epadata peluag distribusi poisso tergeeralisasi terbatas ejadi: (1) e (θ+αθy) y 1 P(y; θ, λ) = θ(θ + αθy) P(X; θ, λ) = θθ y 1 e (θ+αy) y 1 (1 + αy) P(X; θ, λ) = θ y e (θ+αy) y 1 (1 + αy) ; y = 0,1,, ; y = 0,1,, ; y = 0,1,, 4
5 Model regresi Poisso tergeeralisasi terbatas adalah sebagai beriut: μ(1 + αy) μ y exp ( P(Y = y) = ( 1 + αμ ) (1 + αy) y αμ ) ; y = 0,1,, θ θ (1 λ) 3. dega ea da variasi adalah μ =, 1 λ σ = 3. Maxiu Lielihood Estiatio Fugsi Lielihood regresi Poisso tergeeralisasi terbatas sebagai beriut: l(μ i, y i ) = {( μ i ) y i i=1 1+αμ (1 + αyi ) yi 1 } i exp{ ( μ i (1+αy i ) i=1 )} 1+αμ i y i! ; y = 0,1,, (4.1) l= + dega μ i = exp(β 01 + l= β 0l D li + j=1 β j x jit ) da β = (β 01 + β 0l D li β j x jit ). Logarita atural dari fugsi lielihood (4.1) yaitu: j=1 e β 01 + β 0l D l= li+ j=1 β j x jit l L(α, β) = (y i l ( 1 + α. e β 01 + β 0l D li i=1 ( (e β 01 + β 0l D li l= + β j x jit 1 + α. e β 01 + β 0l D li l= + j=1 β j x jit )) + (y i 1)l(1 + αy i ) j=1 ) (1 + αy i ) ) l y i! (13) l= + j=1 β j x jit Utu easir setiap paraeter α, β 01, β j, β 0l aa persaaa (13) diturua secara parsial terhadap paraeter paraeter yag bersesuaia da disaaa dega ol. 1. Peasir utu paraeter α l L(α, β) = 0 α i=1 ( ( (y i. e β 01+ β 0lD li 1 + α. e β (e β 01+ l= + j=1 β j x jit ) = 0 (14) l= + j=1 β j x jit. Peasir utu paraeter β 01 l L(α, β) β 01 = 0 ( 1 + α. e β i=1 y i l= + j=1 β j x jit l= β 0l D li + β j x jit y i ) + (y i 1) ( ) 1 + αy i j=1 ) (y i e β (eβ 01+ (1 + α. e β l= β 0lD li + β j x jit (1 + α. e β l= + j=1 β j x jit ) l= + β j x jit j=1 ) ) j=1 ) (1 + αy i ) j=1 ) ) = 0 (15) l= + β j x jit 5
6 3. Peasir utu paraeter β 0l l L(α, β) β 0l = 0 y i D li ( 1 + α. e β i=1 l= + j=1 β j x jit 4. Peasir utu paraeter β j l L(α, β) β j = 0 y i x jit ( 1 + α. e β i=1 l= + j=1 β j x jit (D lie β 01+ l= β 0lD li + β j x jit (1 + α. e β (x jite β 01+ j=1 ) (1 + αy i ) j=1 ) ) = 0 (16) l= + β j x jit l= β 0lD li + β j x jit (1 + α. e β j=1 ) (1 + αy i ) j=1 ) ) = 0 (17) l= + β j x jit Turua turua parsial dari fugsi log lielihood pada halaa sebeluya jia diyataa dala betu atris aa ejadi: A = l l (α, β) α l l (α, β) β 01 l l (α, β) β 0 l l (α, β) β 03 l l (α, β) β 1 l l (α, β) [ β ] dari persaaa (14), (15),...,(17) eghasila estiator yag berbetu iplisit sehigga dala pegapliasia pada data dibutuha solusi ueri. Sesuai dega pebahasa pada BAB II aa aa dilaua etode Newto Raphso. 3.1 Newto Raphso Dala etode ii aa ditetua atris Hessia diaa elee eleeya erupaa turua edua dari fugsi log lielihood terhadap setiap paraeterya. Betu atris Hessia sebagai beriut : H = α α β 01 α β 0 α β 03 α β 1 [ α β β 01 α β 01 β 01 β 0 β 01 β 03 β 01 β 1 β 01 β β 0 α β 0 β 01 β 0 β 0 β 03 β 0 β 1 β 0 β β 03 α β 03 β 01 β 03 β 0 β 03 β 03 β 1 β 03 β β 1 α β 1 β 01 β 1 β 0 β 1 β 03 β 1 β 1 β β α β β 01 β β 0 β β 03 β β 1 Lagah lagah dala egestiasi setiap paraeter dega etode ewto raphso adalah sebagai beriut: 1. Tetua ilai awal utu α, β 01, β 0, β 03, β 1 da β β ] 6
7 . Tetua tasira α, β 01, β 0, β 03, β 1 da β dega ruus; α r+1 α r β 01 β 01 β 0 β 03 β 1 [ β ] = β 0 β 03 β 1 [ β ] H 1 A (18) 3. Apliasi pada Data Pada peelitia ii aa diguaa data julah ecelaaa (Y), julah pelaggara lalu litas (X1), da odisi liguga / julah hari huja (X) yag diobservasi elalui tiga daerah yaitu Kota Maassar, Kota Palopo, da Kabupate Sijai selaa 1 bula pada tahu 010. Dala pegapliasia MET pada data ecelaaa aa ditabaha variabel duy yag disesuaia dega julah idividu atau uit cross sectio yag diaati. Hal ii dilaua utu eghidari terjadiya jebaa duy yaitu ultiolieartas sepura. Dala data ecelaaa yag diaati terdapat tiga uit idividu sehigga julah variabel duy yag aa ditabaha dala data adalah sebaya dua. Pada peelitia ii aa ditabaha variabel duy utu daerah Kota Maassar, da Kabupate Sijai. Sedaga Kota palopo aa ejadi base. Utu lebih jelasya lihat tabel 1. Tabel 1 Data Julah Kecelaaa, Pelaggara Lalu Litas, da Kodisi Liguga / Hari HujaSetiap Bula pada Tahu 010 dega Peabaha Variabel Duy NO DAERAH BULAN Y X1 X D D3 1 Jauari Februari Maret April Mei Jui PALOPO 7 Juli Agustus Septeber Otober Noveber Deseber Jauari Februari MAKASSAR Maret April Mei
8 18 Jui Juli Agustus Septeber Otober Noveber Deseber Jauari Februari Maret April Mei Jui SINJAI Juli Agustus Septeber Otober Noveber Deseber Suber : Hasil Olaha Utu eperoleh tasira lielihood dari setiap paraeter aa aa diguaa ruus (19). Pada peelitia ali ii batas iterasi yag dipaai adalah 100 ali iterasi. Adapu ilai awal utu setiap paraeter α, da β adalah sebagai beriut. α r 1,968 β 01 7 β 0 β = β 1 0,05 [ β ] [ 0,6 ] Dari proes iterasi higga e seratus didapata ilai tasira utu asig asig paraeter regresi sebagai beriut: α r+1 1,381 β 01 13,0 β 0 9,546 β = 03 1,591 β 1 0,03 [ β ] [ 0,668] 3.3 Model Ragresi Poisso Model regresi Poisso utu asig asig daerah adalah sebagai beriut : 8
9 Kota Palopo μ Palopo t = exp(13,0 + 0,03 x 1Palopot 0,668 x Palopot ) Kota Maassar μ MKS t = exp(13,0 + 9,546D Ms + 0,03 x 1 Ms t 0,668 x Ms t ) Kabupate Sijai μ Sijai t = exp(13,0 + 1,591D Sijai + 0,03 x 1Sijai t 0,668 x Sijait ) Tabel. Nilai error utu Kota Palopo, Kota Maassar, da Kabupate Sijai NO PALOPO MAKASSAR SINJAI Julah Dilihat dari distribusi ilai error utu setiap odel regresi etiga daerah aa dapat diiterpretasia bahwa odel regresi yag eilii ilai error teredah adalah Kota Palopo. 4. Kesipula da Sara 4.1 Kesipula Berdasara hasil aalisis sebeluya, disipula bahwa odel terbai regresi data pael egguaa MLE pada aga ecelaaa di tiga daerah di Sulawesi Selata pada tahu 010 adalah odel Kota Palopo : μ Palopo t = exp(13,0 + 0,03 x 1Palopot 0,668 x Palopot ) 9
10 diaa julah pelaggara lalu litas bepegaruh positif dega aga ecelaaa, sedaga julah hari huja/pegaruh liguga berpegaruh egatif dega aga ecelaaa, serta edua variabelya sigifia. 4. Sara Dala peelitia ii odel regresi yag dihasila pada daerah tertetu dari MLE eilii julah error yag besar. Oleh area itu disaraa utu peelitia selajutya egguaa etode / odel efe yag berbeda atau dega eabaha julah idividu da watu pegaata dala data pael yag diguaa. DAFTAR PUSTAKA Astuti, A. M.(009). Fixed Effect Model (FEM) pada regresi data pael: Studi asus tetag persetase ahasiswa yag lulus tepat watu di Istitut Teologi Sepuluh Noveber Surabaya. Tesis, Surabaya. Baltagi, BH., 005, Ecooetrics Aalysis of Pael Data, Joh Wiley & Sos, Chichester. Caero, A.C. ad Trivedi, P.K. (1998). Regressio Aalysis of Cout Data. Cabridge, UK. Fadhillah,F. (011). Apliasi Regresi Bioial Negatif da Geeralized Poisso Dala Megatasi Overdispersio Pada Regresi Poisso. Sripsi, Jaarta. Fajar, E. [ diases taggal 14 otober 015] Faoye, F. (1993). Restricted Geeralized Poisso Regressio Model. Couicatios I Statistics Theory Ad Methods. Gujarati, D. (004).Basic Eooetrics, 4 th editio. McGraw-Hill, New Yor. Hadijah.(010). Aalisis Data Pael Model Efe Aca Pada Data Keisia di Provisi Sulawesi Selata. Sripsi, Maassar. Hsiao, C. (003), Aalysis of Data Pael, th editio. Cabridge Uiversity Press, West Nyac, NY, USA. Megawati,M.S.(011). Model Regresi Zero Iflated Negative Bioial (ZINB) Pada Data Hitug Apliasiya Pada Data Pederita Peyait Dea Berdarah Di RS. Wahidi Sudirohusodo. Sripsi, Maassar. Mustiasari, Ia (011), Aalisis Data Pael Model Efe Tetap pada Data Keisia di Provisi Sulawesi Selata. Sripsi. FMIPA Uiversitas Hasauddi. Sudari,I (01). Regresi Poisso da Peerapaya Utu Meodela Hubuga Usia da Perilau Meroo Terhadap Julah Keatia Pederita Peyait Kaer Paru-Paru, FMIPA Uiversitas Adalas, Padag. Wachidah, L. (009). Uji Kecocoa Chi-Kuadrat utu distribusi Poisso Pada Data Asurasi. Sripsi, Pedidia Mateatia FMIPA UNY, Yogyaarta. 10
Gambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciSIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON
J. Math. ad Its Appl. ISSN: 829-605X Vol. 2, No., Mei 205, 3-22 SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON Farida Agustii Widjajati, Marselly Dia Saputri 2, Nur Asiyah 3,2,3
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET KELAS XII. IPS SEMESTER I Oleh : Drs. Pudjul Prijoo ( http://vidyagata.wordpress.co ) SMA NEGERI 6 Jala Mayje Sugoo 58 Malag Telp./Fax : (034) 75036 E-Mail : sa6_alag@yahoo.co.id
Lebih terperinciSifat-sifat Fungsi Karakteristik dari Sebaran Geometrik
Sifat-sifat Fugsi Karateristi dari Sebara Geometri Dodi Deviato Jurusa Matematia, Faultas MIPA, Uiversitas Adalas Kamus Limau Mais, Padag 563, Sumatera Barat, Idoesia Abstra Fugsi arateristi dari suatu
Lebih terperinciPerluasan Uji Kruskal Wallis untuk Data Multivariat
Statistia, Vol. No., Mei Perluasa Uji Krusal Wallis utu Data Multivariat TETI SOFIA YANTI Program Studi Statistia, Uiversitas Islam Badug, Jl. Purawarma No. Badug. E-mail: buitet@yahoo.com ABSTAK Adaia
Lebih terperinciTEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS
Jural Matematia Vol.6 No. November 6 [ 5 : ] TEOREMA CAYLEY-HAMILTON SEBAGAI SALAH SATU METODE DALAM PENGHITUNGAN FUNGSI MATRIKS Ooy Rohaei Jurusa Matematia, UNISBA, Jala Tamasari No, Badug,6, Idoesia
Lebih terperinciMACAM-MACAM TEKNIK MEMBILANG
0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA
Lebih terperinciBAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi
BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag
Lebih terperinciNilai Eigen dan Vektor Eigen Matriks atas Aljabar Max-Plus Interval
Nilai Eige da Vetor Eige Matris atas Aljabar Max-Plus Iterval 2 M. Ady Rudhito, Sri Wahyui, 3 Ari Suparwato, ad 4 F. Susilo Mahasiswa S3 Mateatia FMIPA UGM da Staff Pegajar FKIP Uiversitas Saata Dhara
Lebih terperinciTINJAUAN PUSTAKA Statistical Proses Control Control Chart
TINJAUAN PUTAKA tatistical Proses Cotrol tatistical Proses Cotrol adalah salah satu cabag ilu statistia yag eelajari tetag eeraa tei statistia utu eguur da egaalisis variasi yag terjadi selaa roses rodusi
Lebih terperinciBAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE)
BAB V RANDOM VARIATE GENERATOR (PEMBANGKIT RANDOM VARIATE) 5.1. Pembagit Radom Variate Disrit Suatu Radom Variate diartia sebagai ilai suatu radom variate yag mempuyai distribusi tertetu. Utu megambil
Lebih terperinciTAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD
TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD Jailah * Firdaus Sigit Sugiarto Mahasiwa Progra S Mateatika Dose Jurusa Mateatika Fakultas Mateatika
Lebih terperinciProgram studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin
Uiversitas Hasauddi ESTIMASI PARAMETER GENERALIZED LINEAR MIXED MODELS PADA DATA LONGITUDINAL DENGAN METODE GAUSS-HERMITE QUADRATURE Ahid Iai Fitriaigsih, Adi Kresa Jaya 2, Raupog 3 Progra studi Statistika,
Lebih terperinciBAGAN KENDALI G UNTUK PENGENDALIAN VARIABILITAS PROSES MULTIVARIAT (Studi Kasus pada data cuaca di kota Makassar pada tahun 2003 sampai tahun 2012)
BAGAN KENDALI G UNTUK PENGENDALIAN VARIABILITAS PROSES MULTIVARIAT (Studi Kasus pada data cuaca di ota Maassar pada tahu 003 sampai tahu 0) PAISAL, H, HERDIANI, E.T. DAN SALEH, M 3 Jurusa Matematia, Faultas
Lebih terperinciMODUL BARISAN DAN DERET
MODUL BARISAN DAN DERET SEMESTER 2 Muhammad Zaial Abidi Persoal Blog http://meetabied.wordpress.com BAB I. PENDAHULUAN A. Desripsi Dalam modul ii, ada aa mempelajari pola bilaga, barisa, da deret diidetifiasi
Lebih terperinciRepresentasi sinyal dalam impuls
Represetasi siyal dalam impuls Represetasi siyal dalam impuls adalah siyal yag diyataa sebagai fugsi dari impuls atau sebagai umpula dari impuls-impuls. Sembarag siyal disret dapat diyataa sebagai pejumlaha
Lebih terperinciSinyal dan Sistem Waktu Diskrit ET 3005 Pengolahan Sinyal Waktu Diskrit EL 5155 Pengolahan Sinyal Waktu Diskrit
Siyal da Sistem Watu Disrit ET 35 Pegolaha Siyal Watu Disrit EL 5155 Pegolaha Siyal Watu Disrit Effria Yati Hamid 1 2 Siyal da Sistem Watu Disrit 2.1 Siyal Watu Disrit 2.1.1 Pegertia Siyal Watu Disrit
Lebih terperinciBab 16 Integral di Ruang-n
Catata Kuliah MA3 Kalulus Elemeter II Oi Neswa,Ph.D., Departeme Matematia-ITB Bab 6 Itegral di uag- Itegral Gada atas persegi pajag Itegral Berulag Itegral Gada atas Daerah sebarag Itegral Gada Koordiat
Lebih terperinciMASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK. Masalah 1 Terdapat berapa carakah kita dapat memilih 2 baju dari 20 baju yang tersedia?
Kartia Yuliati, SPd, MSi MASALAH DAN ALTERNATIF JAWABAN DALAM MATEMATIKA KOMBINATORIK Masalah Terdapat berapa caraah ita dapat memilih baju dari 0 baju yag tersedia? Cara Misala baju diberi omor dari sampai
Lebih terperinciBAB 4: PELUANG DAN DISTRIBUSI NORMAL.
BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk
Lebih terperinciMODUL 1.03 DINAMIKA PROSES. Oleh : Ir. Tatang Kusmara, M.Eng
MODUL 1.03 DINMIK PROSES Ole : Ir. Tatag Kusmara, M.Eg LBORTORIUM OPERSI TEKNIK KIMI JURUSN TEKNIK KIMI UNIVERSITS SULTN GENG TIRTYS CILEGON BNTEN 2008 2 Modul 1.03 DINMIK PROSES I. Pedaulua Dalam bidag
Lebih terperinciPENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON
E-Jural Matematika Vol., No., Mei 013, 6-10 ISSN: 303-1751 PENERAPAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA REGRESI POISSON PUTU SUSAN PRADAWATI 1, KOMANG GDE SUKARSA, I GUSTI AYU MADE
Lebih terperinciRuang Vektor Eigen Suatu Matriks Atas Aljabar Max-Plus Interval. Eigenvector Space of a Matrix of Interval Max-Plus Algebra
Jural Mateatia & Sais April 2014 Vol 19 Noor 1 Ruag Vetor Eige Suatu Matris Atas Alabar Max-Plus Iterval Abstra Siswato 1) Ari Suparwato 2) da M Ady Rudhito 3) 1) Jurusa Mateatia FMIPA UNS Suraarta 2)
Lebih terperinciAplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier
Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg
Lebih terperinciUNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALPHA CRONBACH SKRIPSI JANUARINA ANGGRIANI
UNIVERSITAS INDONESIA META-ANALISIS UNTUK RELIABILITAS SUATU ALAT UKUR BERDASARKAN KOEFISIEN ALHA CRONBACH SKRISI JANUARINA ANGGRIANI 080655 FAKULTAS MATEMATIKA DAN ILMU ENGETAHUAN ALAM ROGRAM STUDI SARJANA
Lebih terperinciAnova (analysis of varian)
ova (aalysis of varia) Ui hipotesis perbedaa ilai rata-rata dari atau lebih elompo idepede Cotoh: daah perbedaa berat bayi lahir dari eluarga E tiggi dega E sedag atau E redah sumsi Ui ova: 1. ube diambil
Lebih terperinciMENENTUKAN INVERS DRAZIN DARI MATRIKS SINGULAR. Lisnilwati Khasanah 1 dan Bambang Irawanto 2. Jl.Prof.Soedarto, S.H Semarang 50275
ENENTUKN INVERS RZIN RI TRIKS SINGULR Lisilwati Khasaah da Babag Irawato Progra Studi ateatia FIP UNIP lprofsoedarto SH Searag 7 bstract sigular atri with size has a iverse be called razi iverse ad deoted
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciVolume 1, Nomor 2, Desember 2007
Volue, Noor, Deseber 7 Bareeg, Deseber 7 al4-7 Vol No DIAGONAISASI MATRIKS UNTUK MENYEESAIKAN MODE MANGSA-EMANGSA EVINUS R ERSUESSY Jurusa Mateatia FMIA UNATTI Abo ABSTRACT Diagoalizatio of a square atrix
Lebih terperinciPROBLEM ELIMINASI CUT PADA LOGIKA LBB I nk
Jural Mateatia, Vol. 10 No. 3, Deseber 007, ISSN 1410-8518 PROBLEM ELIMINASI CUT PADA LOGIKA LBB I Bayu Surarso Jurusa Mateetia FMIPA UNDIP Jl. Prof. H. Soedarto, SH Tebalag Searag 5075 Abstract. I the
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi
Lebih terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciRUANG BANACH PADA RUANG BARISAN, DAN
RUANG BANACH PADA RUANG BARISAN, DAN Wahidah Alwi* * Dose ada Jurusa Mateatia Faultas Sais da Teologi UIN Alauddi Maassar e-ail: wahidah.alwi79@gail.co Abstract: The ai object of the vectors are the vectors
Lebih terperinciAplikasi Pemetaan Kucing Arnold pada Logo UNHAS
Vol. 3, No., -, Jauari 07 Aliasi Peetaa Kucig Arold ada Logo UNHAS Ara Efedi Abstra Peetaa ii eetaa bujursagar S x, y 0 x,0 y secara satu-satu da ada egguaa trasforasi Tx, y x y, x y od. Misala x, y adalah
Lebih terperinciBARISAN DAN DERET. U n = suku ke-n Contoh: Barisan bilangan asli, bilangan genap, bilangan ganjil, dan lain-lain.
BARIAN DAN DERET A. Barisa Barisa adalah uruta bilaga yag memilii atura tertetu. etiap bilaga pada barisa disebut suu barisa yag dipisaha dega lambag, (oma). Betu umum barisa:,, 3, 4,, dega: = suu pertama
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinci1) Leptokurtik Merupakan distribusi yang memiliki puncak relatif tinggi
Statisti Desriptif Keruciga atau Kurtosis Pegertia Kurtosis Peguura urtosis (peruciga) sebuah distribusi teoritis adaalaya diamaam peguura eses (excess) dari sebuah distribusi Sebearya urtosis bisa diaggap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciKlasifikasi Ketepatan Masa Studi Mahasiswa FMIPA Unpad Angkatan dengan Menggunakan Metode Classification and Regression Trees (CART)
Jural Mateatia Itegratif ISSN 42-684 Volue No, April 25, pp 7-4 Klasifiasi Ketepata Masa Studi Mahasiswa FMIPA Upad Agata 2-26 dega Megguaa Metode Classificatio ad Regressio Trees (CART) Tiara Aprilia
Lebih terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciRUANG BARISAN MUSIELAK-ORLICZ. Oleh: Encum Sumiaty dan Yedi Kurniadi
RUANG BARISAN USIELAK-ORLICZ Oleh: Ecu Suiat da Yedi Kuriadi Disapaia pada Seiar Nasioal ateatia ada taggal 8 Deseber 2008, di Jurusa edidia ateatia FIA UI JURUSAN ENDIDIKAN ATEATIKA FAKULTAS ENDIDIKAN
Lebih terperinciBAB III OBYEK DAN METODE PENELITIAN
BAB III OBYEK DAN METODE PENELITIAN 3.1 Obyek Peelitia Meurut Sugiyoo (2010, hlm. 3) pegertia dari obyek peelitia adalah sasara ilmiah utuk medapatka data dega tujua da keguaa tertetu tetag sesuatu hal
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciDeret Positif. Dengan demikian, S = 1: Kemudian untuk deret lain, misalkan L = : Maka
oi eswa (fmipa-itb) Deret Positif Deret (ta berhigga) adalah ugapa berbetu a + a + a 3 + a 4 + dega a i disebut suu. Pejumlaha ii berbeda dega pejumlaha dua, tiga, atau berhigga bilaga. Maa, ita perlu
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN Persoala trasportasi yag serig ucul dala kehidupa sehari-hari, erupaka gologa tersediri dala persoala progra liier. Maka etode traportasi ii juga dapat diguaka utuk eyelesaika beberapa
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciPeluang Suatu Kejadian, Kaidah Penjumlahan, Peluang Bersyarat, Kaidah Perkalian dan Kaidah Baiyes
eluag uatu Kejadia, Kaidah ejumlaha, eluag ersyarat, Kaidah eralia da Kaidah aiyes.eluag uatu Kejadia Defiisi : eluag suatu ejadia adalah jumlah peluag semua titi otoh dalam. Dega demiia : 0 (), ( ) =
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciPenerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov
Vol. 3, No., 85-9, Juli 6 Peerapa Teorea Perro-Frobeius pada Peetua Distribusi Stasioer Ratai Markov Jusawati Massalesse Abstrak Perilaku suatu ratai Markov setelah berala ukup laa dapat diketahui elalui
Lebih terperinciBAB II LANDASAN TEORI. persamaan yang mengandung diferensial. Persamaan diferensial
5 BAB II LANDASAN TEORI A. Persamaa Diferesial Dari ata persamaa da diferesial, dapat diliat bawa Persamaa Diferesial beraita dega peelesaia suatu betu persamaa ag megadug diferesial. Persamaa diferesial
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciKuliah 9 Filter Digital
TEKNIK PENGOLAHAN ISYARAT DIGITAL Kuliah 9 Filter Digital Idah Susilawati, S.T.,.Eg. Progra Studi Tei Eletro Progra Studi Tei Iforatia Faultas Tei da Ilu Koputer Uiversitas ercu Buaa Yogaarta 9 Kuliah
Lebih terperinciPERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR
Jural Tei da Ilmu Komputer PERBANDINGAN PENDEKATAN SEPARABLE PROGRAMMING DENGAN THE KUHN-TUCKER CONDITIONS DALAM PEMECAHAN MASALAH NONLINEAR Budi Marpaug Faultas Tei da Ilmu Komputer Jurusa Tei Idustri
Lebih terperinciPenggunaan Distribusi Poisson Untuk Menghitung Peluang Memenangkan Suatu Permainan
T a a a Pegguaa Distribusi Poisso Utu Meghitug Peluag Meeaga Suatu Peraia Itisari Dala tulisa ii ai aa ebahas eeraa teorea araterisasi yag erat aitaya ega istribusi Poisso aa beberaa ata seabola a baseball.
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciProgram Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi
Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciAnalisis Regresi Ordinal Untuk Mengetahui Faktor-Faktor Yang Mempengaruhi Kualitas Pelayanan Kesehatan Pada Komunitas Latino
Jural Gradie Vol 8 No 2 Juli 22 82-88 Aalisis Regresi Ordial Utuk Megetahui Faktor-Faktor Yag Mempegaruhi Kualitas Pelayaa Kesehata Pada Komuitas Latio Idhia Sriliaa Jurusa Matematika, Fakultas Matematika
Lebih terperinciLANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang
2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua
Lebih terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciKonvolusi pada Distribusi dengan Support Kompak
Prosidig SI MaNIs (Semiar Nasioal Itegrasi Matematia da Nilai Islami) Vol1, No1, Juli 2017, Hal 453-457 p-issn: 2580-4596; e-issn: 2580-460X Halama 453 Kovolusi pada Distribusi dega Support Kompa Cythia
Lebih terperinciPEMBAHASAN SOAL OSN MATEMATIKA SMP TINGKAT PROPINSI 2011 OLEH :SAIFUL ARIF, S.Pd (SMP NEGERI 2 MALANG)
PEMBAHASAN SOAL OLIMPIADE SAINS NASIONAL SMP A. ISIAN SINGKAT SELEKSI TINGKAT PROPINSI TAHUN 011 BIDANG STUDI MATEMATIKA WAKTU : 150 MENIT 1. Jia x adalah jumlah 99 bilaga gajil terecil yag lebih besar
Lebih terperinciKata Kunci : CHAID, IPM, regresi logistik ordinal.
ANALISIS CHAID DAN REGRESI LOGISTIK ORDINAL PADA INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TENGAH Liaa Yuita Sari, Sri Sulistijowati Hadajai, da Satoso Budiwiyoo Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciJurnal Ilmu Matematika dan Terapan Maret 2016 Volume 10 Nomor 1 Hal
Jural Ilmu Matematia da Terapa Maret 16 Volume 1 Nomor 1 Hal. 61 68 ANALISIS FAKTOR-FAKTOR YANG MEMPERNGARUHI KANKER LEHER RAHIM DI KOTA AMBON DENGAN MENGGUNAKAN REGRESI LOGISTIK BINER (Studi asus: Pasie
Lebih terperinciStatistika Matematika. Soal dan Pembahasan. M. Samy Baladram
Statistika Matematika Soal da embahasa M Samy Baladram Bab 4 Ubiasedess, Cosistecy, ad Limitig istributios Ubiasedess, Cosistecy, ad Limitig istributios 41 Ekspektasi Fugsi Key oits Ṫeorema 411 Jika T
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinciMAKALAH TEOREMA BINOMIAL
MAKALAH TEOREMA BINOMIAL Disusu utu memeuhi tugas mata uliah Matematia Disrit Dose Pegampu : Dr. Isaii Rosyida, S.Si, M.Si Rombel B Kelompo 2 1. Wihdati Martalya (0401516006) 2. Betha Kuria S. (0401516012)
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciAproksimasi Terbaik dalam Ruang Metrik Konveks
Aprosimasi Terbai dalam Ruag etri Koves Oleh : Suharsoo S Jurusa atematia FIPA Uiversitas Lampug Abstra asalah esistesi da etuggala aprosimasi terbai suatu titi dalam ruag berorm telah dipelajari oleh
Lebih terperinciPEMBUKTIAN SIFAT RUANG BANACH PADA D(K)
JMP : Volume 4 Nomor 1, Jui 2012, hal. 41-50 PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga malahayati_01@yahoo.co.id ABSTRACT. I this
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah
Lebih terperinciDISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)
DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,
Lebih terperinciANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI
ANALISIS REGRESI TERPOTONG (TRUNCATED) ATAS BAWAH DAN PENERAPANNYA SKRIPSI Diajuka kepada Fakultas Matematika da Ilmu Pegetahua Alam Uiversitas Negeri Yogyakarta utuk memeuhi sebagia persyarata gua memperoleh
Lebih terperinciBAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN
BAB 4 METODE ESTIMASI PARAMETER DARI DISTRIBUSI WAKTU KERUSAKAN Estimasi reliabilitas membutuhka pegetahua distribusi waktu kerusaka yag medasari dari kompoe atau sistem yag dimodelka Utuk memprediksi
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciMASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI
Vol. 11, No. 1, 45-55, Juli 2014 MASALAH DISTRIBUSI BOLA KE DALAM WADAH SEBAGAI FUNGSI ATAU KUMPULAN FUNGSI Fauziah Baharuddi 1, Loey Haryato 2, Nurdi 3 Abstra Peulisa ii bertujua utu medapata perumusa
Lebih terperinciMengkaji Perbedaan Diagonalisasi Matriks Atas Field dan Matriks Atas Ring Komutatif
Megaji Perbedaa Diagoalisasi Matris Atas Field da Matris Atas Rig Komutatif Teorema : Jia A adalah matris x maa eryataa eryataa beriut eivale satu sama lai : a A daat didiagoalisasi b A memuyai vetor eige
Lebih terperinciPengukuran Keterampilan Operator Dengan Desain Eksperimen Terhadap Kelompok Operator Mesin Gulung
Perfora (006) Vol. 5, No.1: 76-86 Peguura Keterapila Operator Dega Desai Esperie Terhadap Kelopo Operator Mesi Gulug Lobes Herdia 1, Taufiq Rocha urusa Tei Idustri, Uiversitas Sebelas Maret, Suraarta Abstract
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Risio Operasioal.1.1 Defiisi Dewasa ii risio operasioal semai diaui sebagai salah satu fator uci yag perlu dielola da dicermati oleh para pelau usaha, hususya di bidag jasa euaga.
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciPerbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block
PROSIDING SKF 6 Perbadiga Iversi Least-Square dega Leveberg- Marquardt pada Metode Geoaget utuk Model Crustal Block Uar Said a, Mohaad eriyato b, da Wahyu Srigutoo c Laboratoriu Fisika Bui, Kelopok Keilua
Lebih terperinciMENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka.
MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH Warsito Progra Studi Mateatika FMIPA Uiversitas Terbuka warsito@ut.ac.id Abstrak Peyelesaia pertidaksaaa ( x- a, a Î R adalah x a (egguaka
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciKeywords: Convergen Series, Banach Space, Sequence space cs, Dual-α, Dual-
Jural MIPA FST UNDANA, Volume 2, Nomor, April 26 DUAL-, DUAL- DAN DUAL- DARI RUANG BARISAN CS Albert Kumaereg, Ariyato 2, Rapmaida 3,2,3 Jurusa Matematia, Faultas Sais da Tei Uiversitas Nusa Cedaa ABSTRACT
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciBAB 3 Interpolasi. 1. Beda Hingga
BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada
Lebih terperinciMENGUJI KEMAKNAAN SAMPEL TUNGGAL
MENGUJI KEMAKNAAN SAMPEL TUNGGAL 1.1 Uji Biomial 1. Uji esesuaia Chi Kuadrat 1.3 Uji Kesesuaia K-S 1.4 Uji Ideedesi Chi Kuadrat 1.5 Uji Pasti Fisher UJI BINOMIAL Meruaa uji roorsi dalam suatu oulasi Poulasi
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL
PENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL Ahma Sya roi, M Natsir, Eag Lily E-mail: Arolativa@yahoocom Mahasiswa Program S Matematia Dose Jurusa Matematia
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinci