MODEL OPTIMISASI PORTOFOLIO SAHAM DAN DEPOSITO SECARA TERINTEGRASI MENGGUNAKAN MEAN ABSOLUTE DEVIATION

Ukuran: px
Mulai penontonan dengan halaman:

Download "MODEL OPTIMISASI PORTOFOLIO SAHAM DAN DEPOSITO SECARA TERINTEGRASI MENGGUNAKAN MEAN ABSOLUTE DEVIATION"

Transkripsi

1 MODEL OPIMISASI POROFOLIO SAHAM DAN DEPOSIO SECARA ERINEGRASI MENGGUNAKAN MEAN ABSOLUE DEVIAION Husa Athfal Hdayat 1, De Saepud, Ira Palup 3 1,,3 Progra Stud Ilu Koputas elko Uversty, Badug 1 hshdayat@studets.telkouversty.ac.d, ds@ttelko.ac.d, 3 pl@ttelko.ac.d Abstraks Utuk ebuat hasl vestas yag eghaslka keutuga yag aksu sesua dega yag dharapka dega epertbagka rsko yag kecl, aka aset dsusu ke dala portofolo. Plha aset yag bsa dplh vestor ke dala portofolo sagat bayak, au secara uu berdasarka karakterstk rskoya aset bsa dbag kedala dua kelopok yatu aset bersko da aset bebas rsko. Ada bayak odel optsas portofolo yag ada, salah satuya adalah odel Mea Absolute Devato (MAD) yag dperkealka oleh Hrosh Koo da Yaazak (1991). Model erupak a pegebaga dar odel yag sudah ada sebeluya yatu odel Mea-Varace (MV) daa perbedaaya terletak pada betuk pegukura rsko atau fugs tujuaya. Model MAD berupa Lear Prograg sehgga waktu koputas yag dbutuhka lebh cepat dbadgka odel MV yag berupa Quadratc Prograg. Pada tugas akhr topk yag dbahas adalah perasalaha optas portofolo gabuga aset bersko (saha) da aset bebas rsko (deposto) yag dperdagagka d pasar Idoes a egguak a odel MAD yag dbadgka haslya dega odel MV. Berdasarka hasl aalss dperoleh hasl rsko odel MAD lebh besar darpada odel MV au pebedaa keduaya tdak sgfka. Fluktuas la retur portofolo yag dhaslka kedua odel elk kecederuga yag saa. Waktu koputas odel MAD lebh cepat dbadgka odel MV ketka julah aset yag dguaka dala portofolo lebh dar 8 buah utuk setap perode. Nla perforas Sharpe Rato portofolo yag dhaslka oleh odel MAD lebh redah dbadgka odel MV, au keduaya ash lebh bak dbadgka la Sharpe Rato deks LQ 45. Kata kuc: Portofolo, Saha, Deposto, Mea Absolute Devato, Mea-Varace, Asset Allocato Abstract I order to create axu vestet proft wth a sall rsk, the assets drafted to portfolo. Lot of assets ca be selected by vestor but geerally assets ca be dvded to two groups based o ts rsk category : rsky asset ad rsk free asset. Also here are ay exstg portfolo optzato odels, oe of whch s a odel of the Mea Absolute Devato (MAD), whch was troduced by Hrosh Koo ad Yaazak (1991). hs odel s a developet of the exstg odels, aely Mea-Varace odels (MV) where the dfferece s the for of rsk easures or the objectve fucto. Mea Absolute Devato odel preset lear prograg for so the coputato te eeded s faster tha Mea-Varace odel whch s quadratc prograg for. hs fal project aly dscussed portfolo optzato proble that cobe both rsky assets ad rsk -free assets whch s traded the Idoesa arket usg MAD odels that wll be copared to the results wth MV odel. Results of ths fal project shows that rsk geerated by MAD odel s greater tha MV odel, however the dfferece betwee ths two odels are ot sgfcat. Fluctuatos of returs for both odels have the sae tedecy. Coputato te eeded by MAD odel s faster tha MV odel whe the ube r of assets used a portfolo s greater tha 8. Sharpe Rato portfolo perforace value geerated by the odel MAD lower tha the MV odels, but they are stll better tha the perforace of the LQ 45 dex. Keywords: Portfolo, Stock, Deposto, Mea Absolute Devato, Mea-Varace, Asset Allocato 1. Pedahulua Melh utuk egvestaska uag adalah hal yag bjaksaa, karea jka haya dspa da dbarka dkhawatrka aka terjad peyusuta la serta terpaka utuk aktvtas yag drasa kurag petg. Utuk ebuat hasl vestas yag eghaslka keutuga yag aksu sesua dega yag dharapka dega epertbagka rsko yag kecl aka dsusulah ke dala portofolo yag erupaka kupula dar beberapa aset vestas. Salah satu upaya optas portofolo alah elakuka dversfkas, yatu eepatka daa vestas ke beberapa struet vestas yag elk tgkat keutuga da rsko yag berbeda dega harapa eghaslka keutuga yag optal dega rsko yag redah. Ada bayak odel optsas portofolo yag ada, salah satuya adalah odel Mea-Varace (MV) atau juga serg dsebut odel Markowtz. Nau terdapat keleaha pada etode daa persaaa ateats etode adalah berbetuk quadratc prograg, sehgga waktu koputasya besar da aka sult dguaka utuk eghtug portofolo optal dega julah aset yag bayak. Berdasarka kekuraga, bayak 1

2 peelt berusaha egebagka odel optas portofolo baru yag berdasarka pada odel Mea - Varace utuk eperbak kekuraga dar etode tersebut. Salah satu odel pegebaga Mea - Varace yag cukup popular adalah odel Mea Absolute Devace (MAD) yag dperkealka oleh Hrosh Koo da Yaazak (1991). Model berbetuk lear prograg sehgga lebh udah dguaka utuk optas portofolo dega aset yag besar. Sela tu kelebha odel alah odel tdak perlu eghtug korelas da kovaras dar asg-asg retur aset, sehgga proses koputasya lebh cepat da efse [1]. Perasalaha laya alah jarag ada yag ecoba egebagka odel optas portofolo yag terdr dar beraga jes aset vestas. Berdasarka pebahasa datas, peelt tertark utuk eelt perasa-laha optas portofolo gabuga aset bersko da aset bebas rsko yag dperdagagka d pasar Idoesa. Utuk aset bersko egguaka saha yag dperdagagka d Bursa Efek Idoesa (BEI) yag tercatat pada deks uggula LQ 45, sedagka utuk aset bebas rsko dplhlah deposto salah satu bak d Idoesa. Hasl dar perhtuga portofolo egguaka odel optas Mea Absolute Devace (MAD) atya aka dbadgka dega etode klask Mea-Varace (MV) utuk egetahu kerja odel optas portofolo yag lebh optal.. Dasar eor.1 Saha Saha adalah tada bukt peyertaa odal atau daa pada suatu perusahaa. Saha dapat dkategorka sebaga aset bersko (rsky asset). Sepert d vestas, Retur d saha dapat dbedaka ejad dua yatu : a) Retur yag telah terjad (actual retur) Actual retur adalah retur yag telah ddapatka oleh vestor sebeluya, jes retur dhtug berdasarka data hstors [7]. R(t)= S (t) S (t 1) (-1) S (t 1) Keteraga: R(t) : retur saha saat perode ke-t S (t) : harga saha pada perode ke-t S (t 1) : harga saha pada perode ke- t-1 b) Retur yag dharapka (expected retur) Expected retur adalah la retur yag dharapka d asa edatag. Secara ateats la Expected retur dapat dtulska sebaga berkut [7]. Keteraga : E[ R( t)] t1 R () t (-) µ : la Expected Retur saha E(R) : la Expected Retur saha ke- t Rt : retur saha pada perode ke- t : Waktu Observas Retur. Deposto Deposto erupaka aset yag dapat dkategorka sebaga aset bebas rsko (rsk free asset) karea kepasta la retur vestas yag dtawarka. Deposto erupaka produk bak berupa sejes jasa tabuga berjagka yag basa dtawarka kepada asyarakat [7]. Uag yag dvestaska d deposto basaya tdak bsa dcarka hgga jatuh tepo. Apabla dcarka sebelu jatuh tepo aka asabah dkeaka pealt atau potoga. Jagka waktu jauh tepo deposto bervaras ula dar 1, 3, 6, 1, atau 4 bula, tegatug kebjaka bak peyeda deposto. Deposto juga dapat dperpajag secara otoats egguaka sste ARO (Autoatc Roll Over). Deposto aka dperpajag otoats setelah jatuh tepo, sapa pelkya ecarka depostoya. vestas deposto d asa edatag dapat dpredks dega egguaka kosep copoud terest yatu buga vestas (terest) dtabahka ke dala odal vestas (prcpal) sehgga la vestas yag baru tersebut dapat eghaslka buga (copoudg). Nla vestas deposto (V) dasa edatag dapat dhtug egguaka ruus berkut [8]: V (t) = (1 + r ).t. P (-3) daa : r : suku buga deposto per tahu P : julah uag yag dvestaska (prcpal) t : perode vestas (tahua) : julah pebayara buga dala satu tahu Nla retur deposto pada perode t dapat dhtug egguaka ruus berkut [8] : R f(t) = V (t) V (t 1) (-4) V (t 1) daa : Rf(t) : retur deposto saat perode ke- t V (t) : la vestas deposto pada perode ke t V (t 1) : la vestas deposto pada perode ke t-1.3 Portofolo Portofolo adalah gabuga atau kobas dar berbaga strue aset vestas yag dsusu utuk ecapa tujua vestas bak tu ealka rsko pada tgkat retur tertetu atau eaksalka retur pada suatu tgkat rsko. Dala eadag portofolo yag terdr dar sekupula aset bersko da bebas rsko bsa daggap sebaga dua aset yag berbeda. Msalka terdapat buah aset bersko (A) elk tgkat retur sebesar ra da buah aset bebas rsko (B). Bla propors daa utuk aset bebas rsko yag

3 dyataka dala y, daa y = 1 - x aka retur portofolo gabuga (rc) dapat dyataka sebaga : r x. r y. r c j A( j) k B( k ) j1 k1 (-5) Sedagka utuk rsko portofolo (σc) gabugaya, karea aset bebas rsko tdak elk rsko aka : Z ( R E( R )). x ( R E( R )). y t jt j j kt k k j1 k1 daa : xj yk E(Rj) E(Rk) = julah aset bersko = julah aset bebas rsko = bobot daa aset bersko ke-j utuk t =1.. (-6) = bobot daa aset bebas rsko ke-k = expected retur jes aset ke- per perode = expected retur jes aset ke- per perode.4 Model Mea Varace (MV) Model peyusua portofolo Mea-Varace (MV) yag pertaa kal dperkealka oleh Markowtz pada tahu 195 erupaka dasar bag utuk pegebaga teor portofolo oder. kosep portofolo optal yag dguaka alah eghaslka rsko portofolo yag al pada tgkat retur portofolo tertetu. Nla retur da rsko portofolo dar perhtuga yag dhaslka egguaka odel aka eghaslka pasaga retur-rsko portofolo yag efse. Secara sederhaa odel MV dapat djelaska sebaga berkut : M. t1 z t Dega Kedala : 1 (-7) E( R ). x x utuk t = 1.. (-8), (-9) 1 1, (-10) 0 x 1, = 1.. (-11) daa : E(R j ). x j + E(R k ). y k = ρ σ j x E(R) ρ = atrks kovaras dar aset da j = julah propors daa yag dvestaska ke aset = expected retur aset per perode = tgkat retur portofolo yag dharapka vestor (dala desal) = julah aset saha = julah waktu observas Sepert yag dtujukka pada po (-17), odel ateats berbetuk quadratc prograg yag bertujua utuk ecar kobas propors odal x yag eghaslka varas retur yag al pada suatu tgkat retur portofolo yag dharapka vestor (ρ). Utuk ecegah x eghaslka short sellg aka dtabahka pula costrat la x 0. Apabla jes aset yag dguaka lebh dar satu dega karakterstk retur aset yag berbeda, aka utuk eghaslka portofolo optal egguaka odel MV dperluka sedkt odfkas. Msal Rj (j = 1,,) da Rk (k = 1,,) erupaka peubah acak yag erepresetaska retur jes aset j da jes aset k secara beruruta daa Rj da Rk elk karakterktk perhtuga retur yag berbeda. Maka odel MV berubah ejad [3] : M. zt t1 (-1) Dega Kedala : z t = (R jt E(R j )). x j + (R kt E(R k )). y k x j 0, y k 0, j = 1,.., k = 1,.., utuk t = 1.. daa : xj = julah propors daa yag dvestaska ke jes aset ke-j yk = julah propors daa yag dvestaska ke jes aset ke-k E(Rj) = expected retur jes aset ke- per perode E(Rk) = expected retur jes aset ke- per perode ρ = tgkat retur portofolo gabuga yag dharapka vestor = julah jes aset j = julah jes aset k = julah waktu observas E(R j ). x j + E(R k ). y k = ρ x j + y k = 1 3

4 Model MV jarag dterapka pada portofolo berskala besar karea dla tdak prakts da elk beberapa kekuraga [1] dataraya : a) Utuk egpleetaska odel MV dega buah aset aka perlu utuk eghtug (+1)/ buah kostata σ j yag berbeda dar data hstors utuk ebetuk atrks kovaras. Sehgga dperluka koputas yag lebh laa utuk eyelesaka portofolo yag terdr dar bayak aset, sal = 500. b) Utuk julah aset () yag bayak, julah bobot aset (x ) optal yag dhaslka odel MV juga bayak yag berakbat kepada baya trasaks aset yag besar da tdak prakts..5 Model Mea Absolute Devato (MAD) Model optas portofolo Mea-Absolute Devato (MAD) dusulka oleh Hrosh Koo da Yaazak pada tahu Model eodelka perasalaha optas portofolo kedala betuk lear prograg dega egguaka L1 - rsk fucto (absolute devato) [1], yatu : w( x) E R. x E R. x sebaga 1 1 fugs tujua utuk eggatka betuk L - rsk fucto (varace) d odel Mea-Varace (MV) yatu v( x) E R x E R x Forula perhtuga portofolo berdasarka MAD adalah sebaga berkut [3] : M. w( x) E R. x E R. x (-13) 1 1 dega kedala (-9) sapa (-11) Nla R aka ejad varabel acak selaa perode t (t = 1,., ) yag dasuska aka terseda elalu data hstors. Koo da Yaazak berasus la ekspektas dar peubah acak R dapat dhapr egguaka la rata-rata yag berasal dar data tersebut, yatu: r E[ R] t 1 dar la datas aka : M. E 1 1 R. x E R. x ( Rt E[ R]. x) 1 t1 1 R t (-14) (-15) dega kedala (-9) sapa (-11). Jka dotaska at Rt E[ Rt ], = 1.. da t = 1.., aka aka ddapat : 1 ( R E[ R ]. x ) t t1 1 t1 1 at. x (-16) Betuk la utlak (absolute value) pada fugs tujua d persaaa (-7) ebuat persaaa tersebut berbetuk o-lear [11]. Utuk tu aka persaaa olear pada fugs tujua tersebut harus dtrasforaska ke dala betuk lear dega edefska suatu varabel baru. Msal ddefska suatu varabel Yt, yag erupaka suatu fugs lear baru yag eetaka fugs olear t. 1 a x, aka persaaa dar odel MAD ekuvale dega persaaa berkut : M. Y t 1 Dega Kedala : Y t + Y t 1 1 x a t x 0 1 a t x 0 1 E[ R]. x x 1 0 1, = 1.. (-17) utuk t = 1.. utuk t = 1.. Jka dperhatka odel julah costrat yag dbutuhka bergatug kepada julah perode data (), yatu +. Feste da hapa pada tahu 1993 eodfkas betuk odel MAD datas sehgga julah costrat yag dbutuhka berkurag ejad + au tetap ekuvale dega persaaa datas dega asus tdak ada batas atas vetas dala sebuah vestas [1]. Meurut Feste da hapa [11], betuk la utlak x bsa dsubsttus dega varabel tabaha u + v, daa x = u v, da u, v 0. Sehgga odel dapat dubah ejad : 4

5 M. Dega Kedala : 1 1 E[ R ]. x x 1 0 x 1, = 1.., u t, v t 0, (-18) utuk t = 1.. Model datas dracag utuk satu jes aset vestas. Apabla jes aset yag dguaka lebh dar satu dega karakterstk retur aset yag berbeda, aka utuk eghaslka portofolo optal egguaka odel MAD dperluka sedkt odfkas. Koo da Kobayash pada tahu 1991 ecoba eodfkas odel MAD yag sudah utuk egakoodas lebh dar satu aset [3]. Pada peeltaya tersebut ereka egguaka dua jes aset vestas yag berbeda, yatu aset saha da aset oblgas. Msal Rj (j = 1,,) da Rk (k = 1,,) erupaka peubah acak yag erepresetaska retur jes aset j da jes aset k secara beruruta daa Rj da Rk elk karakterstk perhtuga retur yag berbeda, aka odel MAD pada persaa (-18) berubah ejad : M. Dega kedala : x j + y k = 1 x j 0, y k 0, j = 1,.., k = 1,.., u t 0, v t 0, t = 1,.., (-19) Utuk t = 1.. daa : = julah propors daa yag dvestaska xj u t + v t t =1 u t v t = (R t E(R )). x = u t + v t t =1 u t v t = (R jt E(R j )). x j + (R kt E(R k )). y k ke jes aset ke-j yk = julah propors daa yag dvestaska ke jes aset ke-k E(Rj) = expected retur saha ke- per perode E(Rk) = expected retur saha ke- per perode ρ = tgkat retur portofolo gabuga yag dharapka vestor = julah jes aset j = julah jes aset k = julah waktu observas erdapat beberapa kelebha yag dtawarka odel MAD dbadgka odel MV atara la : a) Pada odel MAD tdak perlu eghtug atrks kovaras dar retur aset sepert yag dlakuka pada odel MV. b) Julah aset pebetuk portofolo optal odel MAD lebh sedkt dbadgka odel MV. Hal berakbat kepada baya trasaks yag lebh sedkt da lebh prakts dterapka utuk julah aset yag bayak dbadgka odel MV. c) Solus optal bobot portofolo yag dhaslka odel portofolo MAD bergatug kepada perode, yatu aksal sebayak + utuk odel -34 da sebayak + utuk odel -35, terlepas dar julah aset () dala portofoloya dega asus tdak ada la batas atas pada la bobot portofolo (U j = )..5 Metode Spleks Utuk eyelesaka odel Lear Prograg sepert Mea Absolute Devato dala eetuka la bobot setap aset dapat egguaka Metode Spleks. Metode Spleks erupaka etode palg sederhaa dala eyelesaka perasalaha dala perograa ler (Lear Prograg), dkeukaka pertaa kal oleh George Datzg pada tahu Proses perhtuga etode dega elakuka perhtuga berulag-ulag (teras) sapa tercapa hasl yag optal, secara ateats perasalaha dapat dtuls sebaga berkut [13] : Betuk perasalaha Lear Prograg: Max. Z = CX s.t. AX = b X 0 daa : a11 a1 a1 X1 b1 a1 a a X b A, X, b a1 a a X b Perasalaha d atas jka dterjeahka ke dala tabel awal (tal splex tableau) etode splex aka ejad : 5

6 Z X 1 X X +1 X + b X 1 0 a 11 a b X + 0 a 1 a 0 1 b 1 c 1 c abel awal etode splex bla drepresetaska ke dala atrx aka ejad : [ 0 A I b 1 c 0 0 ] Daa ekuvale dega persaaa atrks : x [ 0 A I 1 c 0 ] [ x s ] = [ b z 0 ] Agar perasalaha Lear Prograg (LPP) bsa dselesaka egguaka etode splex aka LPP harus dala betuk stadar (stadard for), yak: 1. Fugs tujua (Z) harus dala betuk aksas. Apabla peasalaha berupa as aka Fugs tujua (Z) dkal -1.. Seua varabel (X) da vector B pada LPP harus berla postf (X 0, B 0 ). 3. Seua batasa (costrat) harus dala betuk AX = B costrat yag berupa <, > harus dubah ejad = dega eabahka varabel slack. Secara uu tahapa splex dala eyelesaka perasalaha Lear Prograg (LPP) adalah sebaga berkut : 1. Ubah perasalaha lear prograg ke dala betuk stadar (stadard for).. Betuk perasalaha ke dala tabel awal splex (tal splex tableau) berupa atrx. 3. Car elee kolo pvot k (varabel bass baru), yatu elee dega la palg egatf dar bars palg bawah tabel atrks splex. 4. Htug raso atara kolo B dega elee postf pada kolo atrks splex. Vektor bars r dar atrks spleks yag egadug la raso postf terkecl yag aka ejad bars pvot. Elee pebetuk raso postf terkecl dar bars pvot (ark) daaka elee pvot. 5. Lakuka operas bars eleeter utuk ebual ele pvot ejad 1 da elee pada kolo pvot ejad 0. Proses daaka pvotg. 6. Cek seua elee pada bars palg bawah atrx splex, jka ada elee yag berla egatf aka ulag proses 3. Proses splex berakhr apabla seua elee pada bars palg bawah atrx splex berla postf. Nla solus optal dar LPP (z) berada pada elee kaa bawah atrks splex..6 Sharpe Rato Pegukura kerja portofolo yag ddasarka bayak retur yag dtaggug dsebut rsk-adjusted retur. Sharpe rato adalah sebuah raso yag dkebagka oleh Wlla F. Sharpe yag dguaka utuk egukur kerja yag dsesuaka dega rsko (rsk adjusted perforace) [14]. Pegukura dega Sharpe Rato ddasarka atas rsk preu, yatu selsh atara rata-rata retur yag dhaslka oleh reksadaa dega rata-rata retur vestas bebas rsko (rsk-free assets). Sharpe Rato eujukka apakah keutuga portofolo yag dhaslka oleh keputusa vestas yag cerdas atau akbat kelebha rsko, Seak besar la sharpe rato suatu portofolo seak bak pula kerja yag dapat dsesuaka dega rsko. Ideks Sharpe dukur dega cara ebadgka pre rsko (rsk preu) portofolo dega rsko portofolo yag dyataka dega spaga baku retur. S r = E(R p) R f σ p (-0) daa : E(R p ) = expected retur portofolo R f = tgkat suku buga bebas rsko = spaga baku retur portofolo. σ p 3. Peracaga Sste 3.1 Deskrps Sste Alur pegerjaa sste dapat dlhat pada gabar 1. Gabar 3-1: Dagra alur sste a)iput : data hstors saha LQ 45 da deposto Data yag dguaka adalah data hstors closed prce bulaa selaa 48 bula (Me 009 Aprl 013) yag aka dkobaska dega data deposto berupa suku buga deposto bak swasta d Idoesa dega perode Me 009 Aprl 013 dega waktu jatuh tepo (teor) 1 bula. Data saha dperoleh dar Yahoo Face [15] dala forat Coa Separated Values (*.csv) yag keuda dubah kedala betuk Excel Workbook (*.xlsx) sedagka data deposto berupa suku buga deposto. b) Proses : Htug retur da expected retur saha da deposto 6

7 Pada tahap pertaa kal dhtug la retur saha egguaka ruus (-1), au pada perhtuga kopoe dvde tdak dkutka dala proses perhtuga karea dasuska perode vestas yag aka dabl sgkat sehgga haya kopoe harga saha yag dguaka utuk eghtug retur vestas saha. c) Subproses : Ipleetas odel portofolo Ipleetas sste aka djelaska pada subbab selajutya (3..1). d) Subproses : Peguja sste Ipleetas sste aka djelaska pada subbab selajutya (3..). e)proses : Aalss hasl portofolo odel MAD da MV Setelah ragkaa proses optas portofolo selesa aka dlakuka aalss atara hasl optsas portofolo odel MAD dega odel MV egguaka seragkaa peguja yag djelaska pada subbab sapa -46 da odel Mea-Varace (MV) sepert yag telah djelaska pada persaaa -18. d) Bobot optal saha da deposto yag telah dperoleh egguaka odel MAD da MV dguaka utuk eghtug retur da rsko portofolo gabuga egguaka ruus HASIL DAN ANALISIS MODEL 4.1 Aalss Grafk Effcet Froter Portofolo odel MAD da MV Data yag dguaka pada skearo kal adalah kupula data hstors dar saha da deposto selaa 48 bula. Utuk peguja kal dar 40 buah aset (39 saha da 1 deposto) aka dbetuk ejad 1 buah portofolo dega julah koposs aset yag berbeda-beda. Koposs aset peyusu portofolo dsusu berdasarka la spaga baku retur asetya yag durutka dar la spaga baku terkecl hgga terbesar. Gabar 4-1 Grafk Effcet Froter Portofolo 3.11 Ipleetas Model Pada tahap, aka djelaska lebh lajut tetag alur proses optas portofolo egguaka odel MAD da MV. Utuk asg- asg odel eerluka put berupa retur da expected retur dar data hstors. Berkut adalah dagra alur pleetas odel MAD da MV : Gabar 3-: Dagra Alur Ipleetas Sste Megguaka Model MAD Gabar 3-3 : Dagra Alur Ipleetas Sste Megguaka Model MV a) Iput : la u retur target vestor User aka easukka sedr la u retur portofolo yag dgka vestor (ρ). Nla ρ yag dguaka bervaras utuk setap portofolo. b) Setelah user easukka la u retur target vestor, lagkah selajutya alah eghtug la absolute devato retur aset (at) utuk odel Mea Absolute Devato (gabar 3.) da la kovara retur aset utuk odel Mea-Varace (gabar 3.3). Hasl grafk effcet froter eujukka bahwa rsko portofolo yag dhaslka odel MV cederug lebh kecl dbadg odel MAD utuk la expected retur yag saa. Nau la rsko portofolo yag dhaslka odel MAD tdak selaaya lebh kecl dbadg odel MV. Sela tu dar grafk Effcet Froter juga eujukka pegaruh dversfkas atau pegaruh julah aset yag dlk dala suatu portofolo terhadap peurua la rsko portofolo. erlhat pada gabar 4-, rsko portofolo 1 yag terdr dar 7 saha da 1 deposto eghaslka rsko portfolo yag lebh redah dbadgka rsko portofolo 7 da 1 elk julah koposs aset yag lebh sedkt utuk setap la expected retur yag saa. c) Selajutya, sste aka elakuka perhtuga bobot optal saha da deposto dega egguaka odel Mea Absolute Devato (MAD) sepert yag telah djelaska pada persaaa 7

8 waktu (detk) koputas yag dperluka odel MV utuk eperoleh bobot lebh cepat dbadgka dega odel MAD ketka julah aset yag dguaka () kurag dar 8 buah. Nau ketka julah aset yag dguaka () lebh dar 8 buah, teryata waktu koputas yag dperluka odel MV utuk eperoleh bobot ejad lebh labat dbadgka dega odel MAD. Selsh waktu koputas odel MAD da MV seak besar ketka julah aset yag dguaka seak bayak sepert yag tergabar pada gabar 4-3. Gabar 4- Perbadga Effcet Froter Portofolo 1, 7, 1 (7 aset, 5 aset, da 40 aset) 4. Peguja Hpotess Nla Rsko Portofolo Model MAD da MV Peguja bertujua egetahu hubuga atara la rsko portofolo yag dhaslka odel MAD dega la rsko portofolo yag dhaslka odel MV utuk setap la expected retur yag saa. Data yag duj: la rsko portofolo odel MAD da MV dar 1 portofolo; daa utuk asgasg portofolo la ρ yag dguaka adalah 1 % per bula, % per bula, da 3% per bula dar data hstors sehgga terdapat 36 buah data. Peguja secara statstk egguaka uj-t dega hpotess : H0 : µ1 = µ H1 : µ1 < µ daa : µ1 = la rata-rata rsko odel MAD µ = la rata-rata rsko odel MV Hasl Peguja dapat dlhat pada tabel 4-1 daa thtug (0.399) > ttabel (1.994) yag berart kespulah H0 dtera atau la rataa rsko portofolo odel MAD tdak berbeda secara sgfka dega la rataa rsko portofolo odel MV. abel 4-1: -test Rsko Portofolo 4.3 Peguja Waktu Koputas Model MAD da MV Peguja bertujua utuk eguj perforasya dar seg waktu koputas julah aset () yag berbeda-beda. Perode yag dguaka sebayak 48 bula yag berasal dar data hstors. Berdasarka abel 4- terlhat bahwa ketka waktu perode () yag dguaka selaa 48 bula, waktu abel 4-: Waktu Koputas Model MAD da MV Portofolo JUMLAH ASE () [saha + deposto] = 48 bula WAKU KOMPUASI (detk) MAD MV Waktu Koputas (=48 bula) Julah Aset () Gabar 4-3 Waktu Koputas odel MAD da MV ketka waktu perode () 48 bula MAD MV 4.4 Peguja Perforas (Sharpe Rato) Nla Retur Portofolo Dasuska bahwa vestor eula vestas d akhr bula data hstors da g edapatka haslya pada perode data uj. ujua peguja alah egetahu perfora odel portofolo MAD d asa depa da perbadgaya dega odel MV da deks LQ 45 dar la Sharpe Rato. Retur Portofolo yag duj adalah portofolo ke 1 yag 8

9 terdr dar 39 saha LQ 45 da 1 deposto yag dperoleh dar perhtuga bobot dar data hstors da la vestas pada perode uj. Dar hasl peguja sepert yag tertera pada tabel 4.3, la rata-rata retur portofolo (wealth) yag dhaslka odel MAD lebh kecl dbadgka odel MV utuk setap la ρ, au la spaga baku odel MAD lebh besar dbadgka odel MV. Hal terjad karea fluktuas la retur portofolo odel MAD yag sgfka per bulaya, daa besar peurua la retur portofolo pada suatu bula tdak dbag dega besarya keaka la retur poertofolo odel MV. Hal tersebut berpegaruh terhadap hasl perforas Sharpe Rato, daa odel MAD eghaslka perforas yag lebh buruk dbadgka odel MV. Sedagka apabla perforas portofolo kedua odel tersebut dbadgka dega perforas deks LQ 45 sebaga acua dkator kods pasar keuaga d Idoesa, teryata la perforas Sharpe Rato dar deks LQ 45 selaa perode uj lebh redah dbadgka la retur portofolo odel MAD da MV. Hal terjad karea selaa pada perode uj, la retur portofolo deks LQ 45 cederug turu pada perode awal da akhr hgga ecapa egatf au tdak dbag dega keaka la retur yag besar pada perode berkutya. abel 4 3 Perbadga Statstk Ideks LQ45, da Model MAD Serta MV dega Nla ρ yag Berbeda Expected Retur (ρ) Mea Std. Devato Sharpe Rato -- LQ % % 3 % MAD MV MAD MV MAD MV Kespula Berdasarka percobaa da aalss yag telah dbahas pada peelta, dperoleh beberapa kespula sebaga berkut : 1. Peabaha julah aset dala portofolo odel MAD tertegras apu euruka la rsko portofolo secara keseluruha.. Nla rsko portofolo yag dhaslka odel MAD teryata sedkt lebh besar dbadgka odel MV utuk setap la expected retur (ρ), au rata-rata rsko portofolo odel MAD tdak berbeda secara sgfka dbadgka dega odel MV. 3. Secara uu waktu koputas odel MAD utuk eperoleh bobot lebh cepat dbadgka odel MV ketka julah aset yag dguaka dala portofolo lebh dar 8 buah utuk setap perode. 4. Ketka bobot portofolo odel dterapka d asa edatag, la retur portofolo (wealth) yag dhaslka kedua odel elk kecederuga fluktuas yag saa. Sedagka la perforas Sharpe Rato portofolo yag dhaslka oleh odel MAD lebh redah dbadgka odel MV, au keduaya ash lebh bak dbadgka al Sharpe Rato deks LQ 45. Daftar Pustaka: [1]H. Koo ad H. Yaazak, "Mea-Absolute Devato Portfolo Optzato Model ad Its Applcatos to okyo Stock Market," Maageet scece, []K. Sga, Fud heore, New York: Departet of Idustral Egeerg ad Operatos Research Coluba Uversty, 005. [3]H. Koo ad K. Kobayash, "A Itegrated Stock-Bod Portfolo Optzato Model," Joural of Ecooc Dyacs ad Cotrol, vol. 1, o. 8-9, pp , [4]F. Irha, Pegatar Pasar Modal, Badug: Alfabeta, 01. [5]H. Jogyato, eor Portofolo da Aalss Ivestas, Yogyakarta: BPPE, 000. [6]E. adell, Portofolo da Ivestas, eor da Aplkas, Yogyakarta: Kassus, 010. [7]F. Basyab, Maajee Rsko, Jakarta: P. Grasdo, 007. [8]M. Capsk ad. Zastawak, Matheatcs for Face : A Itroducto to Facal Egeerg, Lodo: Sprger, 003. [9]H. Markowtz, "Portfolo Selecto," Joural of Face, vol. 7, pp , 195. [10]G. Mtra ad. Kyraks, "A Revew of Portfolo Plag : Model ad Systes," o. CARISMA: Bruel Uversty, 003. [11]C. Papahrstodoulou ad D. Erk, "Optal Portfolos Usg Lear Prograg Models," Joural of the Operatoal Research Socety, vol. 55, pp , 004. [1]C. Feste ad M. hapa, "Notes: A Reforulato of A Mea-Absolute Devato Portfolo Optzato Model," Maageet Scece, vol. 1, o. 39, pp , [13]J. J. Sag, Rset Operas dala Pedekata Algorts, Jakarta: Erlagga, 011. [14]Z. Bode, A. Kae ad A. Marcus, Ivestets ad Portfolo Maageets 9 th Global Edtos, McGraw-Hlls Educatos, 014. [15]"Yahoo Face," [Ole]. Avalable: face.yahoo.co. [Accessed 1 May 015]. [16]J. Suprato, Statstk : eor da Aplkas, Jakarta: Erlagga, 0 9

10 10

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema II. LANDASAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teorea-teorea ag edukug utuk pebahasa pada bab IV. Pegerta (defs) da teorea tersebut dtulska sebaga berkut... Teorea Proeks Teorea proeks

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN:

Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya September 2017, Samarinda, Indonesia ISBN: Prosdg Sear Nasoal Mateatka, Statstka, da Aplkasya 017 3 Septeber 017, Saarda, Idoesa ISBN: 978-60-5031-0-3 Aalss Portofolo Optal Dega Model Sgle Idex utuk Saha yag Lstg pada Sektor Agr da Mg d Bursa Efek

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS Sear Nasoal Mateatka IV (SeNasMat) Isttut Tekolog Sepuluh Nopeber, Surabaya, 3 Deseber NLISIS MSLH GENERTOR DRI POSSIBLE DN UNIVERSL EIGENVECTOR PD MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar, Suboo,

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

Kata kunci : Portofolio Optimal, Nilai Slope, Metode Constant Correlation Model

Kata kunci : Portofolio Optimal, Nilai Slope, Metode Constant Correlation Model PEMBENTUKAN PORTOFOLIO ASET YANG OPTIMAL MENGGUNAKAN METODE CONSTANT CORRELATION MODEL (Stud Kasus PT. Batava Prosperdo Sekurtas pada Saha Blue Chps) Syafdes Wda.S 1, Dr. Leda Novyat, M.S, Achad Zabar

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

METODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEMILIHAN DISTRO LINUX

METODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEMILIHAN DISTRO LINUX ORBITH VOL. 9 NO. JULI 03 : 78 83 ETODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEILIHAN DISTRO LINUX Oleh : Ahad Sabq Tekk Iforatka Poltekk Purbaya Tegal Jl. Pacakarya No. Talag Tegal 593 Abstrak Pada peelta

Lebih terperinci

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE CADANGAN ROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE Tara Mustka 1, Johaes Kho 2, Azskha 2 1 Mahasswa rogra S1 Mateatka 2 Dose Jurusa Mateatka Fakultas Mateatka da Ilu egetahua Ala

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI I PENDAHULUAN Latar Belakag Dala teor ekoo, setap perusahaa dasuska bertujua eperoleh bala yag aksu Ibala yag ddapat bergatug pada strateg yag dabl perusahaa Kuattas erupaka salah satu strateg perusahaa

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 02 (2017), hal

Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 02 (2017), hal Bulet Ilah Mat. Stat. da Terapaya (Baster) Volue 6, No. (17), hal 77 84. PENENTUAN NILAI INTERNAL RATE OF RETURN DENGAN METODE NEWTON-RAPHSON PADA KASUS PENGKREDITAN KENDARAAN BERMOTOR Al A, Nao Nessyaa

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

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

Lebih terperinci

PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT

PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT 68 Bud: PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT Dya Seta Bud ), Da Reto Sar Dew ), D Edah

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ

BAB II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ 5 BAB II TINJAUAN PUSTAKA. Pedahulua Utuk egetahu lebh elas egea u Modfkas Baugarter Weβ Schdler (MBWS) dperluka teor-teor yag edukug. Utuk tu, bab eelaska egea statstk oparaetrk u beda dua rata-rata dega

Lebih terperinci

ANALISIS PORTOFOLIO OPTIMAL SAHAM LQ45 TAHUN

ANALISIS PORTOFOLIO OPTIMAL SAHAM LQ45 TAHUN Uas 970 ANALISIS PORTOFOLIO OPTIMAL SAHAM LQ45 TAHUN 014 016 I Waya Suarjaa Progra Stud Maajee, FakultasEkoo UverstasMahasaraswat wysuarjaa11@gal.co ABSTRAK Bayakya julah perusahaa yag ada d BEI, ebua

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

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

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

ANALISIS PERBANDINGAN MEAN VARIANCE

ANALISIS PERBANDINGAN MEAN VARIANCE Perbadga MV da MAD (Susy Arska Putr) 1 ANALISIS PERBANDINGAN MEAN VARIANCE (MV) DAN MEAN ABSOLUTE DEVIATION (MAD) DALAM PEMBENTUKAN PORTOFOLIO COMPARATIVE ANALYSIS MEAN VARIANCE (MV) AND MEAN ABSOLUTE

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA A IJAUA PUSAA Pada bab aka duraka egea dasar teor ag dguaka dala pegerjaa tugas akhr. eor ag dbahas atara la egea pegeala obek, Prcpal Copoet Aalss (PCA), Lear Dscrat Aalss (LDA), Subclass Dscrat Aalss

Lebih terperinci

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

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

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Waktu da tempat peelta Dalam upaya pelaksaaa peelta,maka peelt melakukaya pada : 1. Tempat Peelta Gua memperoleh data yag dperluka dalam peulsa Skrps yag berjudul Pembetuka

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

Lebih terperinci

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

Menghitung Kinerja Investasi

Menghitung Kinerja Investasi Meghtug Kerja Ivestas Dalam perjalaa vestas, la suatu asset bsa berubah dar waktu ke waktu akbat perubaha kods pasar. Sela tu, sebaga baga dar proses vestas, vestor perlu mematau da megevaluas kerja vestas

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 3 (014), hal 15. PENGGUNAAN VALUE AT ISK DALAM ANALISIS ISIKO PADA POTOFOLIO SINGLE INDEX MODEL (Stud Kasus Data Saham LQ 45) Ed Saputra, Neva

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013.

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013. BAB III METODOLOGI PENELITIAN 3.. Tempat da Waktu Peelta Peelta dlaksaaka d SMP Neger 3 Gorotalo kota Gorotalo Props Gorotalo tahu pelajara 0/03. D SMP Neger 3 Gorotalo memlk 6 romboga belajar yag terdr

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Pemanfaatan Teknologi Informasi Dalam Pengendalian Kualitas Produk Kerajinan Bordir menggunakan Peta Kendali Variabel Fuzzy Linguistik

Pemanfaatan Teknologi Informasi Dalam Pengendalian Kualitas Produk Kerajinan Bordir menggunakan Peta Kendali Variabel Fuzzy Linguistik SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 05 Peafaata Tekolog Iforas Dala Pegedala Kualtas Produk Keraa Bordr egguaka Peta Kedal Varabel Fuzzy Lgustk Akk Hdayat Fakultas MIPA, Uverstas

Lebih terperinci

Penurunan Persamaan Perpetuitas dan Anuitas

Penurunan Persamaan Perpetuitas dan Anuitas SEMINR NSIONL MTEMTIK DN PENDIDIKN MTEMTIK UNY 2016 Peurua Persamaa Perpetutas da utas T - 6 Bud Fresdy Fakultas Ekoom da Bss Uverstas Idosa bstrak Mahasswa bss da akutas, debtor bak, da vestor memerluka

Lebih terperinci

PROGRAM LINIEAR DENGAN METODE SIMPLEX

PROGRAM LINIEAR DENGAN METODE SIMPLEX POGAM LINIEA DENGAN METODE SIMPLEX A. TEKNIK PENYELESAIAN Betuk Soal Progra Lear Kedala utaa asalah rogra lear daat eretuk a atau a atau a. Kedala yag eretuk ertdaksaaa daoat duah ead ersaaa seaga erkut

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

Studi Kinerja Varian Metode Komputasi Momen Legendre Dalam Rekonstruksi Citra

Studi Kinerja Varian Metode Komputasi Momen Legendre Dalam Rekonstruksi Citra Stud Kera Vara etode Koputas oe Legedre Dala Rekostruks Ctra Rull Soelaa ), edaa Aru ), Karla K. Nsa 3) Jurusa Tekk Iforatka, Fakultas Tekolog Iforas Isttut Tekolog Sepuluh Nopeber, Surabaa, 6 ) Eal :

Lebih terperinci

ANALISIS AVAILABILITAS SISTEM SERI DENGAN PENDEKATAN ANALISIS MARKOV (STUDI KASUS DI PT X )

ANALISIS AVAILABILITAS SISTEM SERI DENGAN PENDEKATAN ANALISIS MARKOV (STUDI KASUS DI PT X ) ANALII AVAILABILITA ITEM ERI DENGAN PENDEKATAN ANALII MARKOV (TUDI KAU DI PT X ) Add Rzka Agusta, Muhaad jahd Akbar da Haryoo Jurusa tatstka, Fakultas Mateatka da Ilu Pegetahua Ala, Isttut Tekolog epuluh

Lebih terperinci

III. METODOLOGI PENELITIAN. Menurut Arikunto (1991 : 3) penelitian eksperimendalah suatu penelitian yang

III. METODOLOGI PENELITIAN. Menurut Arikunto (1991 : 3) penelitian eksperimendalah suatu penelitian yang 37 III. METODOLOGI PENELITIAN A. Metode Peelta Metode peelta merupaka suatu cara tertetu yag dguaka utuk meelt suatu permasalaha sehgga medapatka hasl atau tujua yag dgka. Meurut Arkuto (1991 : 3) peelta

Lebih terperinci

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

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

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

ANALISIS PERBANDINGAN ARUS KAS PT DUTA PERTIWI TBK DAN PT KAWASAN INDUSTRI JABABEKA TBK

ANALISIS PERBANDINGAN ARUS KAS PT DUTA PERTIWI TBK DAN PT KAWASAN INDUSTRI JABABEKA TBK ANALISIS PRBANDINGAN ARUS KAS PT DUTA PRTIWI TBK DAN PT KAWASAN INDUSTRI JABABKA TBK (Rsk ad Cash Flow Aalyss) Oleh/By: Sutart da Sr Bawoo Dose Akadem Maajeme Kesatua da STI Kesatua ABSTRAK Perusahaa megguaka

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

EKONOMI TEKNIK. Ekuivalensi

EKONOMI TEKNIK. Ekuivalensi EKONOMI TEKNIK Ekuvales Ekuvales Ekuvales = Nla uag yag sama pada waktu yag berbeda. Jumlah uag berbeda pada waktu berbeda dapat berla ekooms sama. Cotoh = harga bes Rp 4.5, (25), Rp 5.5, (29), da Rp 6.5

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling.

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling. METODE PENELITIAN Desa, Tempat da Waktu Peelta Peelta megguaka desa cross sectoal study. Lokas peelta d Kota Bogor. Pemlha lokas peelta secara purposve dega pertmbaga merupaka salah satu kecamata dega

Lebih terperinci