Ukuran Pemusatan Data

Ukuran: px
Mulai penontonan dengan halaman:

Download "Ukuran Pemusatan Data"

Transkripsi

1 Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia

2 Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus

3 Mean 1. Rata-rata Hitung Misalan terdapat N observasi, yaitu X 1, X 2,, X N, maa ita dapat menghitung: a. Rata-rata sebenarnya (populasi) μ = 1 N N b. Rata-rata periraan (sampel) n X i = 1 N X 1 + X X N X = 1 X n i = 1 n X 1 + X X n n: banyanya sampel n < N

4 Contoh: Beriut adalah data banyanya penderita gizi buru di suatu negara selama 10 tahun: X 1 = 145 X 6 = 145 X 2 = 150 X 7 = 130 X 3 = 110 X 8 = 120 X 4 = 135 X 9 = 115 X 5 = 125 X 10 = 135 a. Hitung rata-rata banyanya penderita gizi buru sebenarnya. b. Ambil sampel sebanya n = 5, misalnya setelah diambil sampelnya diperoleh: X 2, X 3, X 5, X 7, X 10. Hitung rata-rata periraan banyanya penderita gizi buru per tahun.

5 a. Rata-rata sebenarnya (populasi): n μ = 1 10 X i = = 131 b. Rata-rata periraan (sampel): n X = 1 n X i = = 130 Note: Ternyata rata-rata periraan sangat mendeati rata-rata sebenarnya.

6 2. Rata-rata Hitung Data Berelompo a. Data dari Tabel Biasa Data (X i ) Freuensi (f i ) X 1 f 1 X 2 f 2 X f Maa rata-ratanya adalah Karena X = f i = n, maa: f i X i f i X = 1 n X i f i

7 Contoh: Tabel bobot oper penumpang masapai penerbangan ABC Bobot (g) Freuensi (f i ) Total 50 Rata-rata bobot oper adalah X i f i X = = 50 f i Jadi, rata-rata bobot oper adalah 9.42 g = = 9. 42

8 b. Data dari Tabel Distribusi Freuensi Data X i Nilai Tengah (M i ) Freuensi (f i ) X 1 M 1 f 1 X 2 M 2 f 2 X M f Maa rata-ratanya adalah: Dengan X = f i M i f i M i : nilai tengah elas interval e-i

9 Contoh: Tabel distribusi freuensi berat badan 100 mahasiswa prodi HI UII Rata-rata berat badan mahasiswa adalah M i f i X = = 100 Berat Badan (g) Titi Tengah (M i ) Freuensi (f i ) f i Total 100 = =

10 3. Rata-rata Hitung Tertimbang Jia terdapat data X 1, X 2,, X dengan bobot/timbangan masing-masing W 1, W 2,, W, maa rata-ratanya dapat dihitung dengan X = W i X i W i

11 Contoh: Seorang mahasiswa FE UII mendapatan nilai pada ujian-ujian beriut: Metode Riset (3 redit) : 82 Auntansi (5 redit) : 86 Teori Eonomi (3 redit) : 90 Bahasa Inggris (1 redit) : 70 Maa rata-rata nilai hasil ujian mahasiswa tersebut adalah X = W i X i W i = (70) = Jadi, rata-rata nilai ujian tersebut adalah 84.67

12 Median 1. Median Data Tunggal Apabila ada seelompo nilai sebanya n diurutan mulai dari yang terecil X 1 sampai dengan yang terbesar X n, maa nilai yang ada di tengah disebut Median (Med). Untu n Ganjil Untu n Genap med = Xn:1 2 med = 1 2 Xn 2 + Xn 2 :1

13 Contoh: n Ganjil Data nilai ujian Pengantar Proses Stoasti 9 mahasiswa FMIPA UII adalah 90, 70, 60, 75, 65, 80, 40, 45, 50. Tentuan median dari nilainilai tersebut. Setelah diurutan: 40, 45, 50, 60, 65, 70, 75, 80, 90 med = Xn:1 2 = X9:1 2 = X 5 = 65 n Genap Data uang sau 8 mahasiswa (dalam ribuan rupiah) adalah 20, 80, 75, 60, 50, 85, 45, 90. Hitung mediannya. Setelah diurutan: 20, 45, 50, 60, 75, 80, 85, 90 med = 1 2 Xn 2 + Xn 2 :1 = 1 2 X 8 2 = 1 2 X 4 + X 5 = X8 2 : = 67.5

14 2. Median Data Berelompo Untu data berelompo, nilai median dapat dicari dengan interpolasi yang rumusnya adalah sebagai beriut: n med = L 0 + p 2 f i 0 f m Dengan L 0 : tepi bawah elas median p : panjang elas n : banyanya data f i 0 : freuensi umulatif sebelum elas median : freuensi elas median f m

15 Contoh: Dengan menggunaan rumus interpolasi, hitung nilai median dari data beriut: Kelas Freuensi (f i ) Total 50

16 Langah-langah menghitung median dengan rumus interpolasi: Tentuan setengah dari observasi n = 50 = Berarti elas median ada di daerah data e-25 Tentuan freuensi umulatif sebelum elas median f i 0 = f 1 + f 2 + f 3 = = 18 Tentuan tepi bawah elas median L 0 = 59.5 Tentuan panjang elas p = = 10 Tentuan freuensi elas median f m = 12 Hitung median dengan rumus interpolasi med = L 0 + p n 2 f i 0 f m = = 65.33

17 Modus 1. Modus Data Tunggal Modus dari suatu data tunggal merupaan nilai/data yang memilii freuensi tertinggi. Contoh: Berapa modus dari data beriut? Maa modus data tersebut adalah data dengan freuensi terbanya yaitu mod = 9

18 2. Modus Data Berelompo Untu data yang sudah disajian dalam bentu tabel distribusi freuensi, maa penentuan modusnya menggunaan rumus beriut: Di mana d 1 = f mo f mo;1 d 2 = f mo f mo:1 mod = L 0 + p d 1 d 1 + d 2 Dengan L 0 p f mo f mo;1 f mo:1 : tepi bawah elas modus : panjang elas : freuensi elas modus : freuensi elas sebelum elas modus : freuensi elas setelah elas modus

19 Contoh: Dari data yang disajian dalam tabel distribusi freuensi beriut, carilah modusnya. Kelas Freuensi (f i ) Total 65

20 Langah-langah mencari modus data berelompo: Tentuan elas dengan freuensi terbesar; elas e-3 Tentuan tepi bawah elas modus L 0 = = Tentuan panjang elas p = = 10 Tentuan freuensi elas modus f mo = 16 Tentuan freuensi elas sebelum elas modus dan d 1 f mo;1 = 10 d 1 = f mo f mo;1 = = 6 Tentuan freuensi elas setelah elas modus dan d 2 f mo:1 = 14 d 2 = f mo f mo:1 = = 2 Tentuan modus dengan rumus d 1 6 mod = L 0 + p = d 1 + d = 77.5

21 Beriut adalah tabel distribusi freuensi dari data onsumsi beras selama satu bulan bagi 74 rumah tangga: Konsumsi Beras (g) Tentuan mean (rata-rata), median, serta modusnya. Gunaan rumus yang sesuai. Banyanya Keluarga Total 74

22 Daftar Pustaa Bhattacharya, G.K., dan R.A., Johnson, 1997, Statistical Concept and Methods, John Wiley and Sons, New Yor. Supranto, J., 2008, Statisti Teori dan Apliasi Jilid 1, Erlangga, Jaarta. Walpole, R.E., 1995, Pengantar Statistia Edisi e-3, diterjemahan oleh: Bambang Sumantri, Gramedia Pustaa Utama, Jaarta.

Penyajian Data. Oleh: Ayundyah K., M.Si. PROGRAM STUDI ILMU KOMUNIKASI UNIVERSITAS ISLAM INDONESIA 2015

Penyajian Data. Oleh: Ayundyah K., M.Si. PROGRAM STUDI ILMU KOMUNIKASI UNIVERSITAS ISLAM INDONESIA 2015 Penyajian Data Oleh: Ayundyah K., M.Si. PROGRAM STUDI ILMU KOMUNIKASI UNIVERSITAS ISLAM INDONESIA 2015 Macam-macam cara menyajikan data 1. Narasi 2. Tabel Tabel biasa Tabel distribusi frekuensi Tabel distribusi

Lebih terperinci

Penyajian Data. Oleh: Arum Handini Primandari, M.Sc

Penyajian Data. Oleh: Arum Handini Primandari, M.Sc Penyajian Data Oleh: Arum Handini Primandari, M.Sc Macam-macam cara menyajikan data 1. Narasi 2. Tabel Tabel biasa Tabel distribusi frekuensi Tabel distribusi frekuensi kumulatif 3. Diagram batang 4. Diagram

Lebih terperinci

05Ilmu. UKURAN PEMUSATAN Ukuran pemusatan tentang median dan modus data yang tidak terdistribusi maupun yang terdistribusi, dan aplikasinya

05Ilmu. UKURAN PEMUSATAN Ukuran pemusatan tentang median dan modus data yang tidak terdistribusi maupun yang terdistribusi, dan aplikasinya Modul ke: Fakultas 05Ilmu Komunikasi UKURAN PEMUSATAN Ukuran pemusatan tentang median dan modus data yang tidak terdistribusi maupun yang terdistribusi, dan aplikasinya Dra. Yuni Astuti, MS. Program Studi

Lebih terperinci

Statistika Farmasi

Statistika Farmasi Bab 1:,, Statistika FMIPA Universitas Islam Indonesia Data Populasi dan Sampel Menurut Websters New World Dictionary, data berarti sesuatu yang diketahui atau dianggap. Dengan demikian, data dapat memberikan

Lebih terperinci

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)

Lebih terperinci

III. BESARAN, LOKASI, DAN VARIASI

III. BESARAN, LOKASI, DAN VARIASI III. BESARAN, LOKASI, DAN VARIASI RATA-RATA Rata-rata (average) adalah nilai yang mewakili sehimpunan atau sekelompok data (a set of data). Nilai rata-rata cenderung berada di tengah-tengah jika data disusun

Lebih terperinci

UKURAN PEMUSATAN : MEAN, MEDIAN, MODUS

UKURAN PEMUSATAN : MEAN, MEDIAN, MODUS UKURAN PEMUSATAN : MEAN, MEDIAN, MODUS PERTEMUAN IV EvanRamdan DATA BERKELOMPOK Data berkelompok adalah data yang telah dikelompokan ke dalam kelaskelas dan disajikan dalam tabel frekuensi UKURAN PEMUSATAN

Lebih terperinci

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan

Lebih terperinci

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan

Lebih terperinci

Statistika Materi 3 UKURAN PEMUSATAN. Nilai Tunggal yang mewakili Karakteristik Sekumpulan data. Hugo Aprilianto, M.Kom

Statistika Materi 3 UKURAN PEMUSATAN. Nilai Tunggal yang mewakili Karakteristik Sekumpulan data. Hugo Aprilianto, M.Kom Statistika Materi 3 UKURAN PEMUSATAN Nilai Tunggal yang mewakili Karakteristik Sekumpulan data UKURAN PEMUSATAN Adalah nilai tunggal yang mewakili suatu kumpulan data dan menunjukkan karakteristik dari

Lebih terperinci

Studi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya

Studi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id

Lebih terperinci

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama

Lebih terperinci

VARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL

VARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS

Lebih terperinci

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan

Lebih terperinci

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER

SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau

Lebih terperinci

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan :

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan : ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number

Lebih terperinci

Uji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group

Uji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:

Lebih terperinci

Optimasi Non-Linier. Metode Numeris

Optimasi Non-Linier. Metode Numeris Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN 36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye

Lebih terperinci

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil

Lebih terperinci

Median Median dari data yang belum dikelompokkan

Median Median dari data yang belum dikelompokkan Median Median merupakan salah satu ukuran pemusatan atau sebuah nilai yang berada ditengah-tengah data, setelah data tersebut diurutkan. Mungkin Anda bertanya, mengapa perlu median setelah Anda mempelajari

Lebih terperinci

KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009

KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 2009 KECENDERUNGAN PENGGUNAAN JENIS ALAT KONTRASEPSI PESERTA KB AKTIF PADA KABUPATEN SIDOARJO TAHUN 009 Furqan Qadarisman, dan Dwiatmono Agus W. Jurusan Statistia Institut Tenologi Sepuluh Nopember (ITS) Surabaya

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti

Lebih terperinci

Penyajian Data (Bag. I)

Penyajian Data (Bag. I) Penyajian Data (Bag. I) Atina Ahdika, S.Si., M.Si. Universitas Islam Indonesia 2015 Definisi Menurut Webster s New World Dictionary, data berarti sesuatu yang diketahui atau dianggap. Dengan demikian,

Lebih terperinci

SATUAN ACARA PERKULIAHAN ( SAP )

SATUAN ACARA PERKULIAHAN ( SAP ) SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem

Lebih terperinci

BAB IV UKURAN PEMUSATAN DATA (MODUS DAN MEDIAN)

BAB IV UKURAN PEMUSATAN DATA (MODUS DAN MEDIAN) BAB IV UKURAN PEMUSATAN DATA (MODUS DAN MEDIAN) 4. Modus Modus digunakan untuk menyatakan fenomena yang paling banyak terjadi. Modus dari sekumpulan pengamatan (data) ialah nilai yang paling sering mucul

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas

Lebih terperinci

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam

Lebih terperinci

UKURAN PEMUSATAN DATA STATISTIK

UKURAN PEMUSATAN DATA STATISTIK UKURAN PEMUSATAN DATA STATISTIK Pengantar Dari setiap kumpulan data, terdapat tiga ukuran atau tiga nilai statistik yang dapat mewakili data tersebut, yaitu rataan (mean), median, dan modus. Ketiga nilai

Lebih terperinci

MUHAMMAD HAJARUL ASWAD A MT.KULIAH: STATISTIKA DESKRIPTIF UNANDA, 2016

MUHAMMAD HAJARUL ASWAD A MT.KULIAH: STATISTIKA DESKRIPTIF UNANDA, 2016 MUHAMMAD HAJARUL ASWAD A MT.KULIAH: STATISTIKA DESKRIPTIF UNANDA, 2016 RATA- RATA nilai matakuliah mahasiswa tsb adalah B Sumber: https://sinarnetri.files.wordpress.com/2010/04/khs.png Aswad2016 Titik-titik

Lebih terperinci

Neural Network menyerupai otak manusia dalam dua hal, yaitu:

Neural Network menyerupai otak manusia dalam dua hal, yaitu: 2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat

Lebih terperinci

SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS)

SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK (STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Prosiding Semirata15 bidang MIPA BKS-PTN Barat Hal 357-36 SOLUSI KESTABILAN PADA MASALAH MULTIPLIKATIF PARAMETRIK STABILITY SOLUTION OF PARAMETRIC MULTIPLICATIVE PROBLEMS) Budi Rudianto 1, Narwen Jurusan

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan

Lebih terperinci

Kontrak Kuliah Metode Statistika 2

Kontrak Kuliah Metode Statistika 2 Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi

Lebih terperinci

Ukuran gejala pusat. Nugraeni

Ukuran gejala pusat. Nugraeni Ukuran gejala pusat Nugraeni UKURAN PEMUSATAN Merupakan nilai tunggal yang mewakili semua data atau kumpulan pengamatan dimana nilai tersebut menunjukkan pusat data. Yang termasuk ukuran pemusatan : 1.

Lebih terperinci

PRODI DIII STATISTIKA-FMIPA ITS RENCANA PEMBELAJARAN KODE/ MATA KULIAH/ SKS/ SEMESTER : SS /PENGANTAR METODE STATISTIKA / (2/1/1) I

PRODI DIII STATISTIKA-FMIPA ITS RENCANA PEMBELAJARAN KODE/ MATA KULIAH/ SKS/ SEMESTER : SS /PENGANTAR METODE STATISTIKA / (2/1/1) I CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu melakukan deskripsi, eksplorasi dan interpretasi data serta Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu

Lebih terperinci

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen

Lebih terperinci

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang

Lebih terperinci

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program

Lebih terperinci

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH) Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/

Lebih terperinci

UKURAN LOKASI DAN VARIANSI MEAN:

UKURAN LOKASI DAN VARIANSI MEAN: UKURAN LOKASI DAN VARIANSI MEAN: Mean merupakan ukuran rata-rata dari data. Dua metode yang akan dibahas untuk menentukan rata-rata adalah rata-rata hitung dan rata-rata harmonik. Rata-rata hitung Merupakan

Lebih terperinci

mungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing

mungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing . DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar

Lebih terperinci

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership

Lebih terperinci

PENINGKATAN PRODUKSI DENGAN METODE KESEIMBANGAN LINI PADA PD TEGAS

PENINGKATAN PRODUKSI DENGAN METODE KESEIMBANGAN LINI PADA PD TEGAS PENINGKATAN PRODUKSI DENGAN METODE KESEIMBANGAN LINI PADA PD TEGAS Landjono Josowidagdo 1 ; Novira Primatari ; Sarah Sahputri Perdana 3 1, Peneliti BPPT, Jln. MH. Thamrin, Jaarta, landjonoj@yahoo.com 3

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,

Lebih terperinci

Uji Hipotesis. Atina Ahdika, S.Si, M.Si. Universitas Islam Indonesia 2015

Uji Hipotesis. Atina Ahdika, S.Si, M.Si. Universitas Islam Indonesia 2015 Uji Hipotesis Atina Ahdika, S.Si, M.Si Universitas Islam Indonesia 015 Definisi Hipotesis Suatu pernyataan tentang besarnya nilai parameter populasi yang akan diuji. Pernyataan tersebut masih lemah kebenarannya

Lebih terperinci

4 Departemen Statistika FMIPA IPB

4 Departemen Statistika FMIPA IPB Suplemen Responsi Petemuan ANALISIS DATA KATEGORIK (STK351) 4 Depatemen Statistia FMIPA IPB Poo Bahasan Sub Poo Bahasan Refeensi Watu Ui Hipotesis Tiga Contoh atau Lebih Ui Fiedman (analisis agam dua-aah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series) III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut

Lebih terperinci

MATERI W11A S T A T I S T I K A. KELAS X, SEMESTER 2. A. UKURAN PEMUSATAN DATA

MATERI W11A S T A T I S T I K A. KELAS X, SEMESTER 2. A. UKURAN PEMUSATAN DATA MATERI W11A S T A T I S T I K A. KELAS X, SEMESTER 2. A. UKURAN PEMUSATAN DATA Materi W11a STATISTIKA Kelas X, Semester 2 A. Ukuran Pemusatan Data www.yudarwi.com A. Ukuran Pemusatan Data Ukuran pemusatan

Lebih terperinci

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data 2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel

Lebih terperinci

Dalam setiap sub daerah, pilih suatu titik P k (x k, y k ) dan bentuklah jumlah :

Dalam setiap sub daerah, pilih suatu titik P k (x k, y k ) dan bentuklah jumlah : INTEGAL GANDA Integral untu ungsi satu variable ita membentu suatu partisi dari interval [ab] menjadi interval-interval ang panjangna Δ = 3.n b a d lim n n Dengan cara ang sama Kita deinisian integral

Lebih terperinci

OSN 2014 Matematika SMA/MA

OSN 2014 Matematika SMA/MA Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan

Lebih terperinci

PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA

PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA Adam Husaien Faultas Eonomi Manajemen Unversitas 17 agustus 1945,Samarinda Indonesia

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 5, Halaman 87-93 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PENERAPAN FORMULA BENEISH M-SCORE DAN ANALISIS DISKRIMINAN LINIER UNTUK

Lebih terperinci

UKURAN NILAI SENTRAL&UKURAN PENYEBARAN. Tita Talitha, MT

UKURAN NILAI SENTRAL&UKURAN PENYEBARAN. Tita Talitha, MT UKURAN NILAI SENTRAL&UKURAN PENYEBARAN Tita Talitha, MT DISTRIBUSI FREKWENSI PENGERTIAN distribusi frekwensi adalah suatu tabel dimana banyaknya kejadian / frekwensi didistribusikan ke dalam kelas-kelas

Lebih terperinci

Metode Penggerombolan Berhirarki

Metode Penggerombolan Berhirarki 4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e

Lebih terperinci

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode 3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode

Lebih terperinci

BAB III METODE SCHNABEL

BAB III METODE SCHNABEL BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan

Lebih terperinci

BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN

BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa

Lebih terperinci

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure 8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher

Lebih terperinci

Ukuran Statistik Bagi Data

Ukuran Statistik Bagi Data Ukuran Statistik Bagi Data Ahmad Zakaria, Ph.D. September 19, 2013 1 Ahmad Zakaria, Ph.D. Ukuran Statistik Bagi Data Definisi Parameter 2 Ahmad Zakaria, Ph.D. Ukuran Statistik Bagi Data Definisi Parameter

Lebih terperinci

Aplikasi diagonalisasi matriks pada rantai Markov

Aplikasi diagonalisasi matriks pada rantai Markov J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan

Lebih terperinci

BAB III METODE PENELITIAN. Lokasi yang dijadikan tempat dalam penelitian ini adalah Tempat

BAB III METODE PENELITIAN. Lokasi yang dijadikan tempat dalam penelitian ini adalah Tempat BAB III METODE PENELITIAN 3.1 Loasi an Watu Penelitian 3.1.1 Loasi penelitian Loasi yang ijaian tempat alam penelitian ini aalah Tempat Pelelangan Ian (TPI) Kota Gorontalo. 3.1. Watu penelitian Penelitian

Lebih terperinci

Pengenalan Pola. Klasifikasi Linear Discriminant Analysis

Pengenalan Pola. Klasifikasi Linear Discriminant Analysis Pengenalan Pola Klasifiasi Linear Discriminant Analysis PTIIK - 2014 Course Contents 1 Analisis Disriminan 2 Linear Classification 3 Linear Discriminant Analysis (LDA 4 Studi Kasus dan Latihan Analisis

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3

Lebih terperinci

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia

Lebih terperinci

BAB 3 PRINSIP SANGKAR BURUNG MERPATI

BAB 3 PRINSIP SANGKAR BURUNG MERPATI BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana

Lebih terperinci

BAB IV APLIKASI PADA MATRIKS STOKASTIK

BAB IV APLIKASI PADA MATRIKS STOKASTIK BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii

Lebih terperinci

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi

Lebih terperinci

Introduction to Statistics

Introduction to Statistics Introduction to Statistics Ayundyah Kesumawati, M.Si. PROGRAM STUDI ILMU KOMUNIKASI UNIVERSITAS ISLAM INDONESIA 2015 Sejarah Statistika Central Limit Theorem Jacques Bernoulli (1654-1705) semakin besar

Lebih terperinci

INTRODUCTION: Arum H. Primandari, M.Sc.

INTRODUCTION: Arum H. Primandari, M.Sc. INTRODUCTION: STATISTICS Arum H. Primandari, M.Sc. HISTORIS Kata statistics berasal dari kata latin status yang berarti state (negara). Dalam waktu yang lama, statistika Dalam waktu yang lama, statistika

Lebih terperinci

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu

Lebih terperinci

REVITALISASI D A N SOSIALISASI DIRI PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA. Seminar Nasional Mahasiswa S3 Matematika

REVITALISASI D A N SOSIALISASI DIRI PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA. Seminar Nasional Mahasiswa S3 Matematika ISBN : 978-979-17979-0-0 Prosiding Seminar Nasional Mahasiswa S3 Matematia REVITALISASI D A N SOSIALISASI DIRI UNTUK BERPERAN AKTIF DALAM PENINGKATAN KUALITAS PENELITIAN & PENDIDIKAN MATEMATIKA DI INDONESIA

Lebih terperinci

MUSIK KLASIK DAN PENINGKATAN HASIL BELAJAR MATEMATIKA PADA SISWA KELAS TINGGI

MUSIK KLASIK DAN PENINGKATAN HASIL BELAJAR MATEMATIKA PADA SISWA KELAS TINGGI Volume, Nomor 1, April 013 http://doi.org/10.1009/jppp MUSIK KLASIK DAN PENINGKATAN HASIL BELAJAR MATEMATIKA PADA SISWA KELAS TINGGI Jayanti Dwiputri Abdi* ** *Faultas Ilmu Pendidian, Universitas Negeri

Lebih terperinci

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,

Lebih terperinci

MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT

MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/f(x) DAN h(x)/f(x) ABSTRACT MENENTUKAN TURUNAN DAN SIFAT-SIFAT TURUNAN DARI FUNGSI 1/(x DAN h(x/(x Yuliana Saitri 1, Sri Gemawati 2, Musraini 2 1 Mahasiswa Program Studi S1 Matematia 2 Dosen Jurusan Matematia Faultas Matematia dan

Lebih terperinci

KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W

KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 43 49 KAJIAN TEOREMA TITIK TETAP PEMETAAN KONTRAKTIF PADA RUANG METRIK CONE LENGKAP DENGAN JARAK-W Sunarsini. 1, Sadjidon 2 Jurusan

Lebih terperinci

STATISTIKA 1. A. Ukuran Pemusatan Data 11/16/2015. Peta Konsep. A. Ukuran Pemusatan Data

STATISTIKA 1. A. Ukuran Pemusatan Data 11/16/2015. Peta Konsep. A. Ukuran Pemusatan Data //0 Jurnal Daftar Hadir Materi A Materi Umum STATISTIKA Kelas X, Semester Pemusatan Statistika Letak Penyebaran Peta Konsep Data Tunggal A. Pemusatan Data Pemusatan Letak Penyebaran SoalLatihan Menggambar

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp

Lebih terperinci

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15

Lebih terperinci

A. PENYAJIAN DATA. Nama Dwi Willi Nita Wulan Dani. Tabel 3.1

A. PENYAJIAN DATA. Nama Dwi Willi Nita Wulan Dani. Tabel 3.1 A. PENYAJIAN DATA 1. Pengertian Data dan Statistika Statistika sangat erat kaitannya dengan data. Oleh karena itu, sebelum membahas mengenaistatistika, akan dijelaskan terlebih dahulu mengenai data. Data

Lebih terperinci

LAMPIRAN III PERHITUNGAN MEAN, MEDIAN, MODUS STANDAR DEVIASI DAN DISTRIBUSIFREKUENSI

LAMPIRAN III PERHITUNGAN MEAN, MEDIAN, MODUS STANDAR DEVIASI DAN DISTRIBUSIFREKUENSI LAMPIRAN III PERHITUNGAN MEAN, MEDIAN, MODUS STANDAR DEVIASI DAN DISTRIBUSIFREKUENSI 1. Proses perhitungan tabel distribusi frekuensi, mean, median, modus dan standar deviasi pendapat siswa tentang strategi

Lebih terperinci

TRY OUT UJIAN NASIONAL

TRY OUT UJIAN NASIONAL PEMERINTAH PROVINSI DAERAH KHUSUS IBUKOTA JAKARTA DINAS PENDIDIKAN MENENGAH DAN TINGGI SMA 7 JAKARTA JALAN DHARMA PUTRA XI KEBAYORAN LAMA SELATAN KEBAYORAN LAMA JAKARTA SELATAN TELEPON 76077FAKSIMILI 76077

Lebih terperinci

Pendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur

Pendekatan Regresi Nonparametrik Spline Untuk Pemodelan Laju Pertumbuhan Ekonomi (LPE) di Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (0) -50 (0-9X Print) D- Pendeatan Regresi Nonparametri Spline Untu Pemodelan Laju Pertumbuhan Eonomi (LPE) di Jawa Timur Elfrida Kurnia Litawati dan I Nyoman Budiantara

Lebih terperinci

PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA

PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA Farida Huriawati 1), Purwandari 1,2), Intan Permatasari 1,3) 1,2,3 Program Studi Pendidian

Lebih terperinci

1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba

1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma

Lebih terperinci

MANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI (STUDI KASUS DI PT THAMRIN BROTHERS)

MANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI (STUDI KASUS DI PT THAMRIN BROTHERS) Seminar Nasional Apliasi Tenologi Informasi 2011 (SNATI 2011) ISSN: 1907-5022 Yogyaarta, 17-18 Juni 2011 MANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI

Lebih terperinci

APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID

APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas

Lebih terperinci

Materi II STATISTIK DESKRIPTIF STMIK KAPUTAMA BINJAI

Materi II STATISTIK DESKRIPTIF STMIK KAPUTAMA BINJAI Materi II STATISTIK DESKRIPTIF STMIK KAPUTAMA BINJAI DISTRIBUSI FREKUENSI Frekuensi adalah kekerapan atau keseringan suatu data berulang atau berada dalam deretan angka tersebut. Distribusi adalah penyaluran,

Lebih terperinci

BAB III UKURAN TENGAH DAN DISPERSI

BAB III UKURAN TENGAH DAN DISPERSI BAB III UKURAN TENGAH DAN DISPERSI Dalam pembicaraan yang lalu kita telah mempresentasikan data dalam bentuk tabel dan grafik yang bertujuan meringkaskan dan menggambarkan data kuantitatif, untuk mendapatkan

Lebih terperinci

3. Sebaran Peluang Diskrit

3. Sebaran Peluang Diskrit 3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.

Lebih terperinci

Materi W11a S T A T I S T I K A. Kelas X, Semester 2. A. Ukuran Pemusatan Data.

Materi W11a S T A T I S T I K A. Kelas X, Semester 2. A. Ukuran Pemusatan Data. Materi W11a S T A T I S T I K A Kelas X, Semester 2 A. Ukuran Pemusatan Data www.yudarwi.com A. Ukuran Pemusatan Data Ukuran pemusatan kumpulan data merupakan ukuran yang nilainya cenderung memusat (sama

Lebih terperinci

STUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING

STUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id

Lebih terperinci

MAKALAH STATISTIK 1. Disusun Oleh : Kelompok 6 Sesi : 12

MAKALAH STATISTIK 1. Disusun Oleh : Kelompok 6 Sesi : 12 MAKALAH STATISTIK 1 Disusun Oleh : Kelompo 6 Sesi : 12 1. Adzanny belina nusha (201466043) 2. Via ariesti Audini (201466140) 3. Meldiana agustin putri (201466063) 4. Ramdhan setiawan (201466117) 5. Miftahul

Lebih terperinci

Y = + x + x x + e, e N(0, ), Residual e=y -Yˆ

Y = + x + x x + e, e N(0, ), Residual e=y -Yˆ Yogyaarta, 26 Noember 206 ISSN : 979 9X eissn : 25 528X ANALISIS PSEUDOINVERS DAN APLIKASINYA PADA REGRESI LINEAR BERGANDA Kris Suryowati Program Studi Statistia, Faultas Sains erapan, Institut Sains dan

Lebih terperinci

Pembentukan model neural network untuk data time series dengan intervensi dan aplikasinya pada data IHK

Pembentukan model neural network untuk data time series dengan intervensi dan aplikasinya pada data IHK J. Sains Dasar 2 (2) 9-95 Pembentuan model neural networ untu data time series dengan intervensi dan apliasinya pada data IHK (Formation of neural networ models for time series data with intervention and

Lebih terperinci