STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT

Ukuran: px
Mulai penontonan dengan halaman:

Download "STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT"

Transkripsi

1 Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, Juni 0 STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT Selfie Pattihahuan, Adi Setiawan, Leopoldus Ricky Sasongko Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 5-6 Salatiga 507, selypatthy@rocketmail.com Abstrak Pengendalian kualitas secara statistik dapat dilakukan dengan menggunakan grafik pengendali, Salah satunya adalah penggunaan grafik pengendali berdasarkan Estimasi Fungsi Densitas Kernel. Data yang digunakan adalah dua titik sampel bivariat yaitu x,, x 3,4 dan data simulasi bivariat yang dibangkitkan dari kombinasi dua distribusi normal bivariat dengan ukuran sampel (sample size) tertentu. Berdasarkan data tersebut dapat ditentukan estimasi densitas kernelnya (kernel density estimation) selanjutnya digunakan untuk membuat grafik pengendali dalam menentukan titik sampel yang out of control. Dari studi simulasi dapat dibangkitkan sampel dengan ukuran n berbeda- beda dan diperoleh hasil proporsi titik sampel out of control cenderung mendekati nilai batas kesalahan (level of significance) 0, 007. Kata kunci : estimasi densitas kernel (kernel density estimation), grafik pengendali. PENDAHULUAN Latar Belakang Pengendalian kualitas sangat dibutuhkan dalam proses produksi guna menjaga kestabilan suatu produk. Dalam pengendalian kualitas sering digunakan pengendalian proses statistik. Salah satu teknik pengendalian proses statistik adalah grafik pengendali (control chart). Mengingat karakteristik kualitas proses produksi tidak selalu berdistribusi normal, maka dikembangkan alternatif grafik pengendali dengan metode non-parametrik. Salah satunya adalah menggunakan estimasi fungsi densitas kernel (kernel density estimation). Dalam makalah sebelumnya telah dijelaskan tentang penerapan grafik pengendali berdasarkan estimasi fungsi densitas kernel bivariat pada data bivariat karakteristik ph dan berat jenis sabun sirih (Pattihahuan et al., 0). Selanjutnya, makalah ini akan membahas tentang bagaimana menerapkan grafik pengendali non-parametrik berdasarkan pendekatan fungsi densitas kernel bivariat untuk dua titik dan untuk data simulasi bivariat. Tujuan dari penelitian ini adalah menerapkan grafik pengendali non-parametrik berdasarkan pendekatan kernel untuk data simulasi bivariat dan mengidentifikasi titik sampel yang berada di luar grafik pengendali. DASAR TEORI Dasar teori yang dituliskan dalam makalah ini diambil dari makalah Pattihahuan et al. (0) dan beberapa sumber seperti pada daftar pustaka. Grafik Pengendali Grafik pengendali adalah teknik pengendali proses pada jalur yang digunakan secara luas yang biasanya digunakan untuk menaksir parameter suatu proses produksi menentukan kemampuan dan memberikan informasi yang berguna dalam meningkatkan proses itu (Montgomery, 990). Berdasarkan banyaknya karakteristik kualitas yang diukur, grafik pengendali dibedakan menjadi jenis yaitu grafik pengendali univariat dan grafik pengendali bivariat atau multivariat. Grafik pengendali univariat digunakan jika hanya ada satu karakteristik kualitas yang diukur, sedangkan grafik pengendali bivariat atau multivariat digunakan jika diperlukan pengendalian dua atau lebih karakteristik kualitas yang berhubungan secara bersama-sama. M-30

2 Selfie P, Adi S, Leopoldus R/ Studi Simulasi Grafik Estimasi Fungsi Densitas Bivariat Estimasi fungsi densitas merupakan salah satu bagian dalam analisis data statistik, dimana estimasi fungsi densitas adalah suatu gambaran tentang sebuah sebaran data. Dalam statistik, estimasi fungsi densitas kernel merupakan salah satu metode non-parametrik untuk menduga fungsi kepadatan probabilitas dari suatu variabel acak (WEB). Misalkan suatu sampel bivariat X, X,..., X n yang diambil dari suatu populasi dengan fungsi densitas f, maka estimasi fungsi densitas kernelnya adalah fˆ n x; H n K x i H X i dengan X, X,...,X n adalah sampel dari n data H adalah matrix bandwidth, x x, x T X X T K H x H K H x X i i, i dan h h H adalah matriks bandwidth yang simetris positif definit (definite positive) dengan h h h varx i, h varx i dan h covx i, X i. Dalam hal ini T K x exp x x adalah kernel normal standard bivariat. Hal yang menjadi faktor penting dalam estimasi fungsi densitas kernel adalah memilih nilai H optimal untuk matriks bandwidth. Pemilihan nilai H optimal untuk matriks bandwidth dapat dilakukan dengan menggunakan metode Mean Integrated Squared Error (MISE) yang dijelaskan pada Tarn Duong dan Martin L. Hazelton (003). untuk i =,,...., n. Dalam hal ini METODE PENELITIAN Dalam penelitian ini digunakan langkah-langkah yang dijelaskan sebagai berikut: Membuat grafik pengendali berdasarkan estimasi densitas kernel untuk dua titik sampel Membangkitkan data simulasi bivariat dari distribusi normal bivariat N dengan rumus 4 8 p N, p N, dengan bobot 0<p< dan matrik kovarians. Jika digunakan ukuran sampel 0.5 (sample size) n=500 dengan p=0.5. Mencari nilai H bandwidth optimal dari data simulasi dengan menggunakan packages ks pada software R-.5.. Menghitung estimasi fungsi densitas kernel dari data simulasi berdasarkan nilai H bandwidth optimal. Membuat grafik pengendali untuk data simulasi bivariat berdasarkan estimasi fungsi densitas kernel. Menentukan banyaknya titik sampel yang out of control. Menentukan banyaknya titik yang out of control untuk n=500, n=000, n=500 dan p=0.5. Melakukan pengulangan dengan p yang berbeda-beda yaitu p=0., p=0.8. ANALISIS DAN PEMBAHASAN Estimasi Kernel Densitas Bivariat dari Dua Titik Jika dipunyai dua titik sembarang x, dan x 3,4 dan dengan menggunakan 0 matriks bandwidth identitas H maka estimasi densitas kernel dapat digambarkan dengan 0 grafik 3 dimensi pada Gambar dan. Gambar adalah estimasi densitas kernel bila dilihat dari sudut rotasi horizontal (AZ) 0 derajat dan sudut elevasi vertikal (EL) 5 derajat, sedangkan Gambar adalah estimasi densitas kernel bila dilihat dari sudut rotasi horizontal (AZ) 60 derajat dan sudut elevasi vertikal (EL) 5 derajat. dan M-30

3 Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, Juni 0 Gambar. Grafik Estimasi Densitas Bivariat titik AZ 0 EL 5 Gambar. Grafik Estimasi Densitas Bivariat titik AZ 60 EL 5 Berdasarkan estimasi densitas kernel dapat dibuat grafik pengendali bivariat untuk titik yang ditunjukan pada Gambar 3. Kurva garis putus-putus menunjukkan batas grafik pengendali bivariat berdasarkan estimasi densitas kernel. Gambar 3. Grafik Pengendali Berdasarkan Estimasi Densitas Bivariat Titik Estimasi Fungsi Densitas Bivariat Untuk Data Simulasi Untuk memberikan gambaran, pada simulasi ini, dibangkitkan data acak bivariat dari distribusi normal 4 8 p N, p N, dengan bobot 0<p< dan matrik kovarians. Pemilihan rata-rata distribusi bivariat 0.5 normal yaitu (4,5) T dan (8,0) T dan matriks kovariansi hanya untuk memberikan gambaran simulasi. Jika digunakan ukuran sampel (sample size) n=500 dengan p=0.5 dan dengan bantuan packages ks pada software R-.5. diperoleh matriks bandwidth optimal adalah dengan eigen value.333, H 0.04 M

4 Selfie P, Adi S, Leopoldus R/ Studi Simulasi Grafik Selanjutnya, berdasarkan data hasil simulasi tersebut dapat ditentukan estimasi densitas kernel dengan menggunakan persamaan (). Nilai estimasi fungsi densitas kernel untuk data simulasi yang dibangkitkan dapat ditunjukan pada Gambar 4. Terlihat kurang lebih separuh titik membentuk bukit pertama sedangkan separuh titik yang lain membentuk bukit kedua. Hal ini sesuai dengan yang diharapkan karena menggunakan bobot p=0.5. Gambar 4. Grafik estimasi densitas kernel bivariat untuk data simulasi Dengan p=0.5 untuk n= 500 Berdasarkan estimasi densitas kernel bivariat pada Gambar 4, dapat dibuat grafik pengendali yang ditunjukkan pada Gambar 5. Kontur merah menunjukan batas spesifikasi dengan tingkat signifikansi α=0.007 yang bersesuaian dengan level (nilai estimasi densitas kernel) adalah Dengan menggunakan batas spesifikasi tersebut diperoleh titik sampel yang berada di luar kontur yaitu titik sampel ke-59 yang berada pada koordinat (.509, 3.660) dengan level (nilai estimasi densita kernel) adalah dan titik sampel ke-4 yang berada pada koordinat (7.067, ) dengan level adalah Gambar 5. Grafik pengendali bivariat berdasarkan estimasi densitas kernel untuk data simulasi dengan p=0.5 untuk n= 500 Untuk perbandingan lebih jelas dari studi simulasi dengan sampel yang berbeda- beda ditunjukkan dalam Tabel. Grafik pengendali bivariat yang dibuat berdasarkan data acak berdistribusi normal dengan banyaknya sampel yang berbeda-beda yaitu n=500, n=000, n=500 dan n=000 diperoleh proporsi banyaknya titik sampel out of control cenderung mendekati nilai 0,007. Untuk grafik pengendali bivariat dengan banyak sampel (sample size) n=000 dan n=500 ditunjukkan pada Lampiran. Titik sampel yang berada di luar batas pengendali (out of control) memberikan arti bahwa terjadi suatu kesalahan (cacat) yang mungkin diakibatkan M-304

5 Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, Juni 0 kesalahan dalam proses produksi. Hasil yang analog bisa diperoleh untuk penganbilan bobot p yang lain sebagai contoh p=0., p=0.8. Tabel. Tabel hasil simulasi untuk berbagai macam n Banyaknya titik sampel n Level Proporsi out of control yang out of control KESIMPULAN Dalam makalah ini dijelaskan proses pembentukan grafik pengendali bivariat berdasarkan estimasi densitas kernel untuk dua titik sampel dan untuk banyaknya sampel dengan n yang berbeda-beda sehingga dapat digunakan untuk mengidentifikasi titik-titik sampel yang out of control. DAFTAR PUSTAKA Chacón, J.E. and Duong, T Multivariate plug-in bandwidth selection with unconstrained pilot bandwidth matrices. Diunduh pada Minggu, Januari 0. Montgomery, Douglas C Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Gadjah Mada University Press. Najib, Mohammad Diagram Kontrol Statistik Non Parametrik Sum Of Ranks Untuk Target Pada Data Non-Normal. Diunduh pada Minggu, Januari 0. Pattihahuan, Selfie., Setiawan, A., & Sasongko, L, Ricky. Sasongko. 0. Penerapan Grafik Pengendali Berdasarkan Estimasi Fungsi Densitas Kernel Bivariat. Seminar Nasional Pendidikan Matematika (LSM) XX UNY tanggal 4 Maret 0. Tarn Duong and Martin L. Hazelton. 003.Plug-In Bandwith Matrices For Bivariate Kernel Density Estomation, hal Diunduh pada Minggu, 3 Januari 0. [WEB ] Kernel Density Estimation. Diunduh pada Sabtu, 0 Agustus 0. [WEB ] Multivariate Kernel Density Estimation. Diunduh pada sabtu, 0 Agustus 0. M-305

6 Selfie P, Adi S, Leopoldus R/ Studi Simulasi Grafik Lampiran : Grafik Pengendali Bivariat Untuk n=000, n=500 dengan p=0.5 Gambar 6. Grafik pengendali bivariat berdasarkan estimasi densitas kernel untuk data simulasi dengan p=0.5 untuk n= 000 hasil[,] hasil[,] Gambar 7. Grafik pengendali bivariat berdasarkan estimasi densitas kernel untuk data simulasi dengan p=0.5 untuk n= 500 M-306

PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT

PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT Oleh, SELFIE PATTIHAHUAN NIM : 66200802 TUGAS AKHIR Diajukan kepada Program Studi : Matematika, Fakultas

Lebih terperinci

PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA

PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA Membangun Dunia Pembelajaran Matematika yang Menyenangkan, Kreatif, dan Inovatif ISBN : 978-979-7763-5-6 Tim Penyunting Makalah Seminar :. Prof. Dr. Rusgianto

Lebih terperinci

RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT

RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT RESAMPLING BERDASARKAN ESTIMASI DENSITAS KERNEL BIVARIAT Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711 e-mail

Lebih terperinci

STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT

STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT STUDI SIMULASI UJI KOEFISIEN KORELASI SPEARMAN DAN KENDALL DARI SAMPEL YANG DIBANGKITKAN BERDASARKAN ESTIMASI DENSITAS KERNEL MULTIVARIAT Studi Kasus: Beberapa Kurs Mata Uang Asing Terhadap Rupiah Rangga

Lebih terperinci

S 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis)

S 10 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) PROSIDING ISBN : 978 979 6353 6 3 S 0 Studi Simulasi Tentang Penerapan Grafik Pengendali Berdasarkan Analisis Komponen Utama (Principal Component Analysis) Wirayanti ), Adi Setiawan ), Bambang Susanto

Lebih terperinci

Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik

Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Empirik S 6 Jantini Trianasari Natangku 1), Adi Setiawan ), Lilik Linawati ) 1) Mahasiswa Program Studi Matematika FSM-UKSW Email : n4n4_00190@yahoo.co.id

Lebih terperinci

Prosiding ISBN :

Prosiding ISBN : Penggunaan Metode Bayesian Subyektif dalam Pengkonstruksian Grafik Pengendali-c Sekar Sukma Asmara a, Adi Setiawan b, Tundjung Mahatma c a Mahasiswa Program Studi Matematika Fakultas Sains Matematika Universitas

Lebih terperinci

GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK

GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA ph PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK Jantini Trianasari Natangku ), Adi Setiawan 2), Lilik Linawati 2) ) Mahasiswa

Lebih terperinci

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT S-3 PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT BIVARIAT Frangky Masipupu 1), Adi Setiawan ), Bambang Susanto 3) 1) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika Program

Lebih terperinci

PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA. Membangun Dunia Pembelajaran Matematika yang Menyenangkan, Kreatif, dan Inovatif

PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA. Membangun Dunia Pembelajaran Matematika yang Menyenangkan, Kreatif, dan Inovatif PROSIDING SEMINAR NASIONAL PENDIDIKAN MATEMATIKA Membangun Dunia Pembelajaran Matematika yang Menyenangkan, Kreatif, dan Inovatif ISBN : 978-979-17763-5-6 Tim Penyunting Makalah Seminar : 1. Prof. Dr.

Lebih terperinci

PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI DAN STUDI SIMULASI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) CONSTRUCTION OF CONTROL CHART AND SIMULATION STUDY BASED ON PRINCIPAL COMPONENT ANALYSIS

Lebih terperinci

PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan

PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl Diponegoro 5-6 Salatiga

Lebih terperinci

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER SIMPANGAN BAKU POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER SIMPANGAN BAKU S - POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Jl Diponegoro

Lebih terperinci

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT

PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT PENGKONSTRUKSIAN GRAFIK PENGENDALI BERDASAR BOXPLOT Frangky Masipupu 1), Adi Setiawan ), Bambang Susanto 3) 1) Mahasiswa Program Studi Matematika ),3) Dosen Program Studi Matematika Program Studi dan Matematika

Lebih terperinci

Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap

Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap Uji Normalitas Menggunakan Statistik Jarque-BeraBerdasarkan Metode Bootstrap Dian Christiani Kabasarang a, Adi Setiawan b, Bambang Susanto c a,b,c Program Studi Matematika Fakultas Sains dan Matematika,

Lebih terperinci

LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL

LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL LAPORAN PRAKTIKUM TEKNIK PENGUJIAN MUTU HASIL PERIKANAN STATISTICAL PROCESS CONTROL Disusun oleh: Bekti Wulan Sari 11/318052/PN/12374 LABORATORIUM TEKNOLOGI IKAN JURUSAN PERIKANAN FAKULTAS PERTANIAN UNIVERSITAS

Lebih terperinci

Penerapan Grafik dan Studi Simulasi Hotelling T 2 Triviat pada Kualitas Parfum Remaja dari Perusahaan X

Penerapan Grafik dan Studi Simulasi Hotelling T 2 Triviat pada Kualitas Parfum Remaja dari Perusahaan X PROIDING IBN : 978 979 6353 6 3 Penerapan Grafik dan tudi imulasi Hotelling T Triviat pada Kualitas Parfum Remaja dari Perusahaan X - 5 Fitria Puspitoningrum ), Adi etiawan ) dan Hanna A. Parhusip ) )

Lebih terperinci

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711 PENENTUAN DISTRIBUSI SKEWNESS DAN KURTOSIS DENGAN METODE RESAMPLING BERDASAR DENSITAS KERNEL (STUDI KASUS PADA ANALISIS INFLASI BULANAN KOMODITAS BAWANG MERAH, DAGING AYAM RAS DAN MINYAK GORENG DI KOTA

Lebih terperinci

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF

INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF INFERENSI PARAMETER MEAN POPULASI NORMAL DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl

Lebih terperinci

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI PARAMETER POPULASI SERAGAM Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro 52-6

Lebih terperinci

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711

Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 50711 PENENTUAN DISTRIBUSI SKEWNESS DAN KURTOSIS DENGAN METODE RESAMPLING BERDASAR DENSITAS KERNEL (STUDI KASUS PADA ANALISIS INFLASI BULANAN KOMODITAS BAWANG MERAH, DAGING AYAM RAS DAN MINYAK GORENG DI KOTA

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) Mahasiswa Program Studi Matematika ) 3) Dosen Program Studi Matematika

Lebih terperinci

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat

BAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan

Lebih terperinci

PENERAPAN GRAFIK HOTELLING T 2 BIVARIAT PADA KARATERISTIK KUALITAS PARFUM REMAJA DARI PERUSAHAAN X

PENERAPAN GRAFIK HOTELLING T 2 BIVARIAT PADA KARATERISTIK KUALITAS PARFUM REMAJA DARI PERUSAHAAN X PENERAPAN GRAFIK HOTELLING T BIVARIAT PADA KARATERITIK KUALITA PARFUM REMAJA DARI PERUAHAAN X Fitria Puspitoningrum ), Adi etiawan ) dan Hanna A.Parhusip ) ) Mahasiswa Program tudi Matematika FM UKW Jl.

Lebih terperinci

S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP

S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP S - 19 UJI NORMALITAS BERDASARKAN METODE ANDERSON- DARLING, CRAMER-VON MISES DAN LILLIEFORS MENGGUNAKAN METODE BOOTSTRAP Janse Oktaviana Fallo 1, Adi Setiawan 2, Bambang Susanto 3 1,2,3 Program Studi Matematika

Lebih terperinci

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN

ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6

Lebih terperinci

Prosiding Seminar Nasional Sains dan Pendidikan Sains VIII, Fakultas Sains dan Matematika, UKSW Salatiga, 15 Juni 2013, Vol 4, No.

Prosiding Seminar Nasional Sains dan Pendidikan Sains VIII, Fakultas Sains dan Matematika, UKSW Salatiga, 15 Juni 2013, Vol 4, No. PENERAPAN METODE BOOTSTRAP PADA UJI KOMPARATIF NON PARAMETRIK LEBIH DARI SAMPEL Studi Kasus: Inflasi di Kota Purwokerto, Surakarta, Semarang, dan Tegal Tahun 003-01 Yudi Agustius 1), Adi Setiawan ), Bambang

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 81-90 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS GRAFIK PENGENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Ketatnya persaingan antara perusahaan industri satu dengan yang lainnya menyebabkan semakin banyak dan beragam industri saat ini yang berusaha untuk meningkatkan kualitas

Lebih terperinci

aljabar geo g metr me i

aljabar geo g metr me i Pertemuan 12 & 13 ANALIS KOMPONEN UTAMA & FUNGSI DISCRIMINAN Obyektif : Reduksi variabel Interpretasi Aplikasi AKU dalam Anls Regresi Discrimination Fisher and Classification Classification with two Multivariate

Lebih terperinci

ANALISIS KEMAMPUAN PROSES PADA DATA BERDISTRIBUSI BINOMIAL

ANALISIS KEMAMPUAN PROSES PADA DATA BERDISTRIBUSI BINOMIAL ANALISIS KEMAMPUAN PROSES PADA DATA BERDISTRIBUSI BINOMIAL Makalah Untuk Memenuhi Tugas Mata Kuliah Pengendalian Kualitas Statistik Yang Dibina Oleh Bapak Hendro Permadi Nama Kelompok: Sudarsono (309312422762)

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Dalam banyak proses industri, selalu ada variabilitas dasar sebanyak tertentu. Apabila variabilitas dasar suatu proses relatif kecil akan dipandang sebagai

Lebih terperinci

Pertemuan 8 & 9. Distribusi Probab Multivariat Distr Multivar untuk Kombinasi Linier Uji Hipotesis Kesamaan Mean

Pertemuan 8 & 9. Distribusi Probab Multivariat Distr Multivar untuk Kombinasi Linier Uji Hipotesis Kesamaan Mean Pertemuan 8 & 9 Distribusi Probab Multivariat Distr Multivar untuk Kombinasi Linier Uji Hipotesis Kesamaan Mean Distribusi Normal Multivariat Ingat V.R.Univariat Variabel random univariat X berdistribusi

Lebih terperinci

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL

PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen

Lebih terperinci

PENGENDALIAN KUALITAS X MENGGUNAKAN GRAFIK PENGENDALI HOTELLING T 2 UNIVARIAT DAN MULTIVARIAT

PENGENDALIAN KUALITAS X MENGGUNAKAN GRAFIK PENGENDALI HOTELLING T 2 UNIVARIAT DAN MULTIVARIAT PENGENDALIAN KUALITAS X MENGGUNAKAN GRAFIK PENGENDALI HOTELLING T UNIVARIAT DAN MULTIVARIAT Lellie Sulistyawati Darmawan, Adi Setiawan, Lilik Linawati Program Studi Matematika, Fakultas Sains dan Matematika

Lebih terperinci

PETA KENDALI MULTIATRIBUT C DENGAN PENDEKATAN DISTRIBUSI MULTIVARIAT POISSON

PETA KENDALI MULTIATRIBUT C DENGAN PENDEKATAN DISTRIBUSI MULTIVARIAT POISSON PETA KENDALI MULTIATRIBUT C DENGAN PENDEKATAN DISTRIBUSI MULTIVARIAT POISSON Reny Anggraeni, Erna Tri Herdiana, Nasrah Sirajang Program Studi Statistika, FMIPA, Universitas Hasanuddin Abstrak Kualitas

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Salatiga, 5 Juni 23, Vol 4, No., ISSN:287 922 ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip 2), dan Bambang Susanto 3) ) Mahasiswa Program Studi

Lebih terperinci

Yudi Agustius, Adi Setiawan, Bambang Susanto

Yudi Agustius, Adi Setiawan, Bambang Susanto Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 18 Mei 2013 PENERAPAN METODE BOOTSTRAP PADA UJI KOMPARATIF NON PARAMETRIK 2 SAMPEL Studi

Lebih terperinci

Diagram ARL W i & W Ri. Varian

Diagram ARL W i & W Ri. Varian maka nilai RL 1 yang ada ditambah satu sampai ditemui adanya out of control. Menentukan 1 dengan menghitung rata-rata RL 1 dari keseluruhan replikasi. Untuk aplikasi data yang digunakan dalam penelitian

Lebih terperinci

Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Maximum Likelihood Untuk Data Ordinal

Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Maximum Likelihood Untuk Data Ordinal Prosiding Semirata FMIPA Universitas Lampung, 2013 Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Maximum Likelihood Untuk Data Ordinal Wiwik Sudestri, Eri Setiawan dan Nusyirwan

Lebih terperinci

BAB III PENGENDALIAN KUALITAS MULTIVARIAT. menghasilkan produk dengan kualitas yang baik, haruslah dilakukan pengendalian

BAB III PENGENDALIAN KUALITAS MULTIVARIAT. menghasilkan produk dengan kualitas yang baik, haruslah dilakukan pengendalian BAB III PENGENDALIAN KUALITAS MULTIVARIAT Seperti yang telah dibahas pada bab sebelumnya bahwa untuk menghasilkan produk dengan kualitas yang baik, haruslah dilakukan pengendalian pada proses produksinya.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB 2 LANDASAN TEORI 2.1 Statistical Process Control (SPC) Statistical Process Control (SPC) merupakan teknik penyelesaian masalah yang digunakan sebagai pemonitor, pengendali, penganalisis, pengelola,

Lebih terperinci

PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak

PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,

Lebih terperinci

ANALISIS GRAFIK PENGENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI DENSITAS KERNEL PADA KASUS WAKTU PELOROTAN BATIK TULIS SKRIPSI

ANALISIS GRAFIK PENGENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI DENSITAS KERNEL PADA KASUS WAKTU PELOROTAN BATIK TULIS SKRIPSI ANALISIS GRAFIK PENGENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI DENSITAS KERNEL PADA KASUS WAKTU PELOROTAN BATIK TULIS SKRIPSI Oleh: Hana Hayati J2E 009 38 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA

Lebih terperinci

Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Kuadrat Terkecil Tak Terboboti (Unweighted Least Square) Untuk Data Ordinal

Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Kuadrat Terkecil Tak Terboboti (Unweighted Least Square) Untuk Data Ordinal Prosiding Semirata FMIPA Universitas Lampung, 2013 Ketakbiasan Dalam Model Analisis Faktor Konfirmatori Pada Metode Pendugaan Kuadrat Terkecil Tak Terboboti (Unweighted Least Square) Untuk Data Ordinal

Lebih terperinci

Kata Kunci: Bagan kendali nonparametrik, estimasi fungsi kepekatan kernel

Kata Kunci: Bagan kendali nonparametrik, estimasi fungsi kepekatan kernel Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 1 10 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND BAGAN KENDALI NONPARAMETRIK DENGAN ESTIMASI FUNGSI KEPEKATAN KERNEL (STUDI KASUS: INDEKS PRESTASI MAHASISWA

Lebih terperinci

ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC)

ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) ESTIMASI VOLATILITY (σ) DARI MODEL AR(p) MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO (MCMC) Radite Astana Murti 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika

Lebih terperinci

Dlri Fiuia $trbi# Nn/l. N

Dlri Fiuia $trbi# Nn/l. N 4di ". ; :W -":Es-..3rys\ il., F. ii) I _-- ::...-.ij.jr,-i:lii:{aid{*;f,!.:rtq {'!%EEryryrynr:rirjt'i',r\14:Er:i{Y.ii.. :1 t:irrri,' -.,::ffi.t I A*ikel sleh Dwi Fiuia Subiakti ini Telah diperiksa dan

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam

Lebih terperinci

STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR

STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN ANALISIS VAR Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA Fakultas MIPA, Universitas Negeri Yogyakarta, 16 Mei 2009 STUDI KAUSALITAS GRANGER ANTARA NILAI TUKAR RUPIAH TERHADAP USD DAN AUD MENGGUNAKAN

Lebih terperinci

PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA

PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA Program Studi MMT-ITS, Surabaya 7 Juli 03 PERBANDINGAN KINERJA DIAGRAM KONTROL G DAN DIAGRAM KONTROL S BESERTA APLIKASINYA Marlon Stivo Noya Van Delsen, *) dan Muhammad Mashuri ) ) Jurusan Statistika,

Lebih terperinci

SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE :

SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE : SILABUS PERKULIAHAN METODE STATISTIKA MULTIVARIAT 3 SKS KODE : JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA 2005-2006 MATAKULIAH

Lebih terperinci

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI

MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,

Lebih terperinci

PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X

PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X PENERAPAN DAN STUDI SIMULASI GRAFIK PENGENDALI NON PARAMETRIK BERDASARKAN FUNGSI DISTRIBUSI EMPIRIK PADA DATA ph PRODUK AIR MINUM GALON MERK X Oleh : Jantini Trianasari Natangku 662008002 TUGAS AKHIR Diajukan

Lebih terperinci

Analisis Regresi Spline Kuadratik

Analisis Regresi Spline Kuadratik Analisis Regresi Spline Kuadratik S 2 Oleh: Agustini Tripena Program Studi Matematika, Fakultas Sains dan Teknik, Univesitas Jenderal Soedirman, Purwokerto tripena1960@yahoo.co.id Abstrak Regresi spline

Lebih terperinci

PERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT

PERBANDINGAN BAGAN KENDALI T 2 HOTELLING KLASIK DENGAN T 2 HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI NON-NORMAL MULTIVARIAT Jurnal Matematika UNAND Vol. VI No. 1 Hal. 17 4 ISSN : 303 910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN BAGAN KENDALI T HOTELLING KLASIK DENGAN T HOTELLING PENDEKATAN BOOTSTRAP PADA DATA BERDISTRIBUSI

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (variabel penjelas), dengan

Lebih terperinci

S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS

S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS S - 28 PEMBENTUKAN SAMPEL BARU YANG MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING PADA DATA KUISIONER TIPE YES/NO QUESTIONS Stevvileny Angu Bima 1, Adi Setiawan 2, Tundjung Mahatma 3 1) Mahasiswa

Lebih terperinci

GRAFIK PENGENDALI Mnp PADA DATA TAK SESUAI

GRAFIK PENGENDALI Mnp PADA DATA TAK SESUAI GRAFIK PENGENDALI Mnp PADA DATA TAK SESUAI Nonik Brilliana P 1, Sudarno 2, dan Suparti 2 1 Mahasiswa Jurusan Statistika FSM Undip 2 Staf Pengajar Jurusan Statistika FSM Undip Abstrak Pada era globalisasi

Lebih terperinci

METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER

METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang

BAB I PENDAHULUAN 1.1. Latar Belakang BAB I PENDAHULUAN 1.1. Latar Belakang Kualitas produk memegang peranan penting dalam menentukan maju atau mundurnya perusahaan. Pengendalian kualitas proses produksi merupakan faktor penting dalam kegiatan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama diberikan tinjauan pustaka dari penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan penelitian

Lebih terperinci

Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus

Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus Penggunaan Metode Bootstrap dalam Regresi Cox Proportional Hazards pada Ketahanan Hidup Pasien Diabetes mellitus Ninuk Rahayu a, Adi Setiawan b, Tundjung Mahatma c a,b,c Program Studi Matematika Fakultas

Lebih terperinci

PENERAPAN ESTIMATOR ROBUST RMCD PADA GRAFIK PENGENDALI T 2 HOTELLING UNTUK PENGAMATAN INDIVIDUAL BIVARIAT DAN TRIVARIAT

PENERAPAN ESTIMATOR ROBUST RMCD PADA GRAFIK PENGENDALI T 2 HOTELLING UNTUK PENGAMATAN INDIVIDUAL BIVARIAT DAN TRIVARIAT PENERAPAN ESTIMATOR ROBUST RMCD PADA GRAFIK PENGENDALI T 2 HOTELLING UNTUK PENGAMATAN INDIVIDUAL BIVARIAT DAN TRIVARIAT Angelita Titis Pertiwi 1), Adi Setiawan 2), Bambang Susanto 3) 1) Mahasiswa Program

Lebih terperinci

BAB III LANDASAN TEORI. analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan,

BAB III LANDASAN TEORI. analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan, 17 BAB III LANDASAN TEORI 3.1 Data Analisis Survival (Survival Analysis) Analisis survival (survival analysis) atau analisis kelangsungan hidup atau analisis kesintasan bertujuan menaksir probabilitas

Lebih terperinci

Oleh: Nurul Hidayah Dosen pembimbing: Dra. Laksmi Prita, M.Si

Oleh: Nurul Hidayah Dosen pembimbing: Dra. Laksmi Prita, M.Si KAJIAN PERBANDINGAN KINERJA GRAFIK PENGENDALI CUMULATIVE SUM (CUSUM) DAN EXPONENTIALLY WEIGHTED MOVING AVERAGE (EWMA) DALAM MENDETEKSI PERGESERAN RATARATA PROSES Oleh: Nurul Hidayah 06 0 057 Dosen pembimbing:

Lebih terperinci

Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998

Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998 Perbandingan Karakteristik Inflasi Kota-Kota Di Indonesia Bagian Timur Sebelum Dan Sesudah Krisis Moneter 1998 Adi Setiawan Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen Satya

Lebih terperinci

PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK

PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK PERHITUNGAN HARGA OPSI EROPA MENGGUNAKAN METODE GERAK BROWN GEOMETRIK Oleh: Kristoforus Ardha Sandhy Pradhitya NIM : 662008001 TUGAS AKHIR Diajukan kepada Program Studi Matematika, Fakultas Sains dan Matematika

Lebih terperinci

BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)

BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global

Lebih terperinci

Oleh, FIKA WIDYA PRATAMA NIM : TUGAS AKHIR

Oleh, FIKA WIDYA PRATAMA NIM : TUGAS AKHIR IDENTIFIKASI SAHAM PERUSAHAAN PENGHITUNG INDEKS LQ45 BERDASARKAN KOEFISIEN REGRESI LINIER BERGANDA YANG SIGNIFIKAN BESERTA PERINGKATNYA MENGGUNAKAN P/E RASIO Oleh, FIKA WIDYA PRATAMA NIM : 662008006 TUGAS

Lebih terperinci

PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL

PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL PREDIKSI INFLASI DI PROVINSI JAWA TENGAH DENGAN MENGGUNAKAN REGRESI KERNEL Firmanti Suryandari, Sri Subanti, Bowo Winarno Program Studi Matematika FMIPA UNS ABSTRAK. Inflasi merupakan proses meningkatnya

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Statistika merupakan ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi dan mempresentasikan data. Dalam perkembangan masa,

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menyelidiki pola hubungan fungsional antara variabel prediktor dan variabel respon

Lebih terperinci

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO

ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO ESTIMASI PARAMETER DALAM MODEL RETURN STOKASTIK DENGAN LOMPATAN MENGGUNAKAN METODE MARKOV CHAIN MONTE CARLO Yessy Okvita 1), Bambang Susanto 2), dan Hanna Arini Parhusip 3) 1) Mahasiswa Program Studi Matematika

Lebih terperinci

Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri

Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri Vol. 10, No. 1, 26-34, Juli 2013 Bagan Kendali Rasio Likelihood dan Aplikasinya pada Data Kurs Mata Uang dan Industri Andi Fitri Ayu 1, Erna Tri Herdiani 1, M. Saleh AF 1, Anisa 1, Nasrah Sirajang 1 Abstrak

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan

BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Dewasa ini, persaingan ketat diantara perusahaan terus digencarkan guna untuk mempertahankan keberlangsungan suatu perusahaan. Salah satu faktor yang

Lebih terperinci

Uji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ

Uji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ Uji Independensi Statistik Bartlett Terhadap Nilai Saham Untuk Mengetahui Kebergantungan Saham-Saham Pada Beberapa Sektor Saham di BEJ Alberth Roy Kota a, Adi Setiawan b, Lilik Linawati c a Mahasiswa Program

Lebih terperinci

PERAN STATISTIKA DALAM MENDUKUNG PENGEMBANGAN INDUSTRI Pengendalian Mutu dengan Bantuan Statistika

PERAN STATISTIKA DALAM MENDUKUNG PENGEMBANGAN INDUSTRI Pengendalian Mutu dengan Bantuan Statistika PERAN STATISTIKA DALAM MENDUKUNG PENGEMBANGAN INDUSTRI Pengendalian Mutu dengan Bantuan Statistika Muhammad Arif Tiro Program Studi Statistika FMIPA Universitas Negeri Makassar Abstrak Salah satu alat

Lebih terperinci

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK

ANALISA SAHAM MENGGUNAKAN TRANSFORMASI FOURIER STOKASTIK PROSIDING SEINAR NASIONAL SAINS DAN PENDIDIKAN SAINS VIII UKSW ANALISA SAHA ENGGUNAKAN RANSFORASI FOURIER SOKASIK Kharisma Yusea Kristaksa ) Hanna Arini Parhusip ), dan Bambang Susanto 3) ) ahasiswa Program

Lebih terperinci

X 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min)

X 3 : Flow Top (Aliran Atas) (lt/min) X 4 : Speed (Kecepatan) (m/min) Periode Maret 06, Samarinda, Indonesia ISBN: 978-60-7658--3 Pemilihan Model Regresi Linier Multivariat Terbaik Dengan Kriteria Mean Square Error Dan Akaike s Information Criterion Edriani Lestari, Rito

Lebih terperinci

Minggu VIII dan IX PERBANDINGAN MEAN DUA POPULASI NORMAL MULTIVARIAT

Minggu VIII dan IX PERBANDINGAN MEAN DUA POPULASI NORMAL MULTIVARIAT Minggu VIII dan IX PERBANDINGAN MEAN DUA POPULASI NORMAL MULTIVARIAT Herni Utami Universitas Gadjah Mada Misalkan X 1j = X 2j = X 1j1 X 1jp X 2j1 X 2jp adalah observasi ke-j dari sampel 1 adalah observasi

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Pengendalian kualitas merupakan aktivitas keteknikan dan manajemen yang dengan aktivitas tersebut dapat mengukur ciri-ciri kualitas produk, membandingkan dengan

Lebih terperinci

BAB I PENDAHULUAN. H adalahhipotesis yang tidak. tidak negatif. Dan dimisalkan

BAB I PENDAHULUAN. H adalahhipotesis yang tidak. tidak negatif. Dan dimisalkan BAB I PENDAHULUAN 1.1. Latar Belakang Pada beberapa permasalahan uji hipotesa dalam statistik dapat diselesaikan dengan bermacam-macam uji. Salah satunya adalah dengan menggunakan uji likelihood rasio.

Lebih terperinci

PROSIDING ISBN :

PROSIDING ISBN : S - 10 APLIKASI METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) PADA PENYELESAIAN SISTEM PERSAMAAN SIMULTAN (Studi Kasus : Data Stok Uang, PDRB, dan Konsumsi Rumah Tangga Di DIY) Eka Septiana 1, Retno

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: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 295-304 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN DISKRIMINAN KUADRATIK KLASIK DAN DISKRIMINAN KUADRATIK

Lebih terperinci

PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP

PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP JdC, Vol. 1, No 1, 2012 PERBANDINGAN KOEFISIEN VARIASI ANTARA 2 SAMPEL DENGAN METODE BOOTSTRAP (Studi Kasus Pada Analisis Inflasi Bulanan Komoditas Beras, Cabe Merah Dan Bawang Putih Di Kota Semarang)

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN 4.1 Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih dahulu untuk mengetahui variabel prediktor yang berpengaruh

Lebih terperinci

PENDAHULUAN. CuSum. Univariate EWMA MEWMA. Multivariate Hotelling. Kosumen. Kualitas Baik. Peta Kendali. Pengendalian Kualitas

PENDAHULUAN. CuSum. Univariate EWMA MEWMA. Multivariate Hotelling. Kosumen. Kualitas Baik. Peta Kendali. Pengendalian Kualitas PENDAHULUAN Kosumen Kualitas Baik Univariate CuSum EWMA Peta Kendali Pengendalian Kualitas MEWMA Multivariate Hotelling PENDAHULUAN R U M U S A N M A S A L A H 1. Bagaimana prosedur pembentukan peta kendali

Lebih terperinci

BAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal

BAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal

Lebih terperinci

BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK

BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK BAB IV SIMULASI PEMBANDINGAN PERILAKU PENDUGA FUNGSI INTENSITAS LOKAL PROSES POISSON PERIODIK DENGAN BANDWIDTH OPTIMAL DAN BANDWIDTH OPTIMAL ASIMTOTIK Pada bagian ini dilakukan simulasi untuk membandingkan

Lebih terperinci

PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING

PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING Bidang Kajian : Statistika PEMBENTUKAN SAMPEL BARU YANG MASIH MEMENUHI SYARAT VALID DAN RELIABEL DENGAN TEKNIK RESAMPLING Stevvileny Angu Bima 1), Adi Setiawan 2), Tundjung Mahatma 3) 1) Mahasiswa Program

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan

BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Dalam industri modern ekspektasi pelanggan menjadi suatu acuan pentimg dari kualitas produk. Oleh karena itu dalam proses produksi tidak hanya mementingkan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,

BAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan

Lebih terperinci

PENERAPAN DIAGRAM KONTROL KOMBINASI MEWMA PADA TAHAP CUTTING PROSES PRODUKSI PIPA PVC

PENERAPAN DIAGRAM KONTROL KOMBINASI MEWMA PADA TAHAP CUTTING PROSES PRODUKSI PIPA PVC PENERAPAN DIAGRAM KONTROL KOMBINASI MEWMA PADA TAHAP CUTTING PROSES PRODUKSI PIPA PVC Putu Witri Dewayanti, Muhammad Mashuri, Wibawati 3 ) Mahasiswa Jurusan Statistika FMIPA ITS,3) Dosen Jurusan Statistika

Lebih terperinci

PERAMALAN NILAI TUKAR RUPIAH TERHADAP USD DAN AUD BERDASARKAN MODEL VAR

PERAMALAN NILAI TUKAR RUPIAH TERHADAP USD DAN AUD BERDASARKAN MODEL VAR PERAMALAN NILAI TUKAR RUPIAH TERHADAP USD DAN AUD BERDASARKAN MODEL VAR Mega Novita 1, Adi Setiawan 2, dan Didit Budi Nugroho 2 1,2 Program Studi Matematika, Fakultas Sains dan Matematika Universitas Kristen

Lebih terperinci

PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb.

PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER. Agustini Tripena Br.Sb. JMP : Volume 3 Nomor 1, Juni 2011 PEMILIHAN PARAMETER PENGHALUS DALAM REGRESI SPLINE LINIER Agustini Tripena Br.Sb. Fakultas Sains dan Teknik, Universitas Jenderal Soedirman Purwokerto, Indonesia ABSTRAK.

Lebih terperinci

Pengendalian Kualitas Statistik Produk Botol Sting 240 ml di PT IGLAS (Persero) Oleh: Wahyu Eka Kusumaningrum

Pengendalian Kualitas Statistik Produk Botol Sting 240 ml di PT IGLAS (Persero) Oleh: Wahyu Eka Kusumaningrum Pengendalian Kualitas Statistik Produk Botol Sting 40 ml di PT IGLAS (Persero) Oleh: Wahyu Eka Kusumaningrum 1308030047 PENDAHULUAN LATAR BELAKANG PT IGLAS (Persero) merupakan perusahaan manufacturing

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI. Regresi Non-Parametrik Statistik nonparametrik disebut juga statistik bebas sebaran. Statistik nonparametrik tidak mensyaratkan bentuk sebaran parameter populasi. Statistik nonparametrik

Lebih terperinci

PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL

PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL PEMODELAN HARGA CABAI DI KOTA SEMARANG TERHADAP HARGA INFLASI MENGGUNAKAN REGRESI SEMIPARAMETRIK POLINOMIAL LOKAL Alan Prahutama, Suparti, Departemen Statistika, Fakultas Sains dan Matematika,Universitas

Lebih terperinci

I. TINJAUAN PUSTAKA. distribusi normal multivariat, yaitu suatu kombinasi linier dari elemen-elemennya adalah

I. TINJAUAN PUSTAKA. distribusi normal multivariat, yaitu suatu kombinasi linier dari elemen-elemennya adalah I. TINJAUAN PUSTAKA 1.1 Distribusi Normal Multivariat Akan dibahas dua definisi dari multivariat normal. Definisi yang pertama didefinisikan melalui fungsi kepekatan peluangnya, dan definisi yang kedua

Lebih terperinci