ANALISA RESIKO. I. Model Keputusan

Ukuran: px
Mulai penontonan dengan halaman:

Download "ANALISA RESIKO. I. Model Keputusan"

Transkripsi

1 ANALISA RESIKO I Model Keputusa 1 Model Determiistik / Certaity Haya ada satu kemugkia hasil Tidak ada resiko Selalu sesuai dega perhituga Cotoh : Deposito di Bak Bak Pemeritah 2 Model dega Resiko / Risk Kemugkia hasil lebih dari satu Setiap kemugkia mempuyai resiko Iformasi / data tidak legkap Probilitas prakiraa diketahui Cotoh : Bursa Saham, Future Tradig 3 Model Ketidakpastia/ Ucertaity Lebih dari satu kemugkia hasil Distribusi probalilitasya tidak diketahui Cotoh : Pecaria ladag miyak baru II Sikap Terhadap Resiko 1 Risk Avereter (eg Asurasip) 2 Risk Laver (eg Gambler) 3 Risk Neutrality (eg Petiju Atlet) III Pegambila Keputusa Dega Resiko Asumsi : Asumsi decisio maker adalah risk averter Alat ukur : Distribusi probabilitas Expected preset Value ( EPV ) Stadar Deviasi Koefisie Vareasi Ekuivale Kepastia/ Certaity Equivalet Risk Adjusted Discout Rates Alat Ukur Lai: Decicio Tree & Simul IV Pegambila Keputusa dalam Kodisi Ketidakpastia Alat Ukur : The Maximum Criterio Miimax Regret Criterio

2 Alat Ukur Lai : Hedgig Diversifikasi Mecari iformasi Beberapa Formula Dalam Pegambila Keputusa 1 Expected Preset Value / EPV EPV i 1 PV PI P Pr obality EPV Xi 2 Deviasi Stadar / σ ς i 1 ( Xi EPV ) 2 Pi Note : Deviasi stadar merupaka ukura absolut dari suatu keputusa yag megadug resiko Semaki kecil σ berarti semaki kecil resiko yag dihadapi 3 Disribusi Normal / z z Xi EPV σ 4 Koefisie Variasi / v v σ EPV σ Xi Koefisie Variasi adalah ukura relatif yag diguaka utuk memperkuat ukura absolut Semaki kecil coefisie variasi semaki kecil pula resiko yag dihadapi 5 Risk Adjusted Discout Rates NPV Rt t 1 (1 + r ) Co Co Iitial Cost Rt Net Cash Flow

3 r Risk Adjusted Disc rate t time α Rt NPV ( 1 + r t t 1 ) Co α Equivalet Certai Sum Expected Risky Sum Rt Rt

4 Cotoh : Project State of Ecoomic (1) Probality Pi (2) Outcome Xi (3) Expected Value ( 2 ) x ( ) (4) Deviatio ( 3 ) (EV) (5) Deviatio Squared 5 2 () (2) x () () A Boom Normal Recesio,25,25, Σ EV A Variace σ Stadard Deviatio σ 5 1 σ, 1 Coeff Variatio V,14142 EVA 5 B Boom Normal Recesio,25,25, Σ EV B Variace σ Stadard Deviatio σ ,213 σ 212, 13 Coeff Variatio V,4242 EVA 5 Kesimpula : 1 Expected Value Sekalipu EVA EVB, amu dispersi outcame yag terjadi atara kodisi Boom & Resersi pada proyek A da B sagat meyolok Pada proyek A rage outcome pada saat Boom & Resersi haya 2 ( 4) sedagka pada proyek B lebih besar resikoya yag aka dihadapi, Proyek B lebih besar resikoya dibadigka dega proyek A 2 Stadart Deviatio σ A < σ B Proyek B lebih besar resikoya daripada proyek A 3 Coofficiet Variatio V A < V B Proyek B lebih besar resikoya dari proyek A

5 Ukura Dispersi Dega Distribusi Normal Tujua : Utuk megetahui seberapa besar setiap outcome bisa aik / turu dari perkiraa semula Cotoh : Beberapa kemugkia outcome proyek A aka terletak atara da 5? Z Xi EVA σa 5, 1 1, 42 Utuk megetahui persetaseya, koversika ilai 1,42 tersebut kedalam tabel Z Z : : : : * Kemugkia Outcome aka terletak pada da 5 42,22% Beberapa kemugkia Outcome aka berada di bawah? Outcome atara da 5,4222 Probability outcome di bawah,5 +, ,22 % Beberapa kemugkia outcome aka lebih dari atau dibawah 4? Probability di bawah 92,22 % * Probability diatas atau dibawah 4 1 % 92,22 % 5,8 %

6 Risk Adjusted Discout Rates R 32 Rate of retur (Percet) C R O R B C C,5 1, Risk (σ ) Kosep meyataka bahwa seorag ivestor memperhatika ilai waktu atas uag (Time Value of Moey) dalam Cash Flow ya Kurva R meujukka bahwa ivestor idifere pada tigkat pegembalia 1% utuk proyek yag tidak beresiko (σ ) 2% pada σ 1 ( C ) da 32 % bagi σ 1,5 (poit D) Kelebiha tigkat buga pegembalia yag diharapka atas resiko terhadap tigkat buga bebas resiko disebut Risk Premium Cotoh : Pada titik B Risk Premium 4 % Kesimpula : Semaki besar resiko suatu proyek, semaki besar pula risk premium yag disyaratka oleh ivestor, sehigga semaki tiggi pula Rate of Retur Cotoh : Suatu proyek yag berilai 1 aka meghasilka arus kas sebesar 45 selama 5 tahu Bila risk adjusted discout rate adalah 2% Apakah proyek itu aka diterima? Jawab : NPV Rt t 1 ( 1, 2 ) Co t ( 1, 2 ) 45 (2,992) 1 34,5 45 ( ) 1

7 Tekik lai yag diguaka dalam megatisipasi resiko 1 Poho keputusa (Decisio Tree) 2 Probabilitas Bersama (Joit Probability) 3 Simulasi Aalisa sesitivitas Decisio Tree Strategy (1) Competitors Reactio (2) State of Ecoomy (3) Probability (4) 1,18 Profit (5) Expected Profit 4 x , , ,12 5 5,2 3 Decisio Poit,8, 8, , , , ,1 25 4

8 Pegambila Keputusa dalam Kodisi yag tidak Pasti/Ucertaity 1 Kriteria Maximi Criterio Seirig juga disebut Kriteria keputusa wold (The Wold Decisio Criterio) Merupaka kriteria yag sagat pesimistik, Cocervatif da berusaha utuk memaksimumka tigkat keamaa terhadap resiko Cocok diguaka utuk perusahaa berskala kecil/ perusahaa yag mempuyai modal pas pasa Tekik Pemiliha Alteratif yag terbaik adalah alteratif yag palig maximum diatara yag palig miimum (Ambil yag terbaik diatara yag terjelek) Misal : Kodisi Strategi Sukses Gagal Maximi Ivest $ 2 $ 1 $ 1 Do ot ivest * The best Strategi is ot ivest Kesimpula : Kriteria ii selalu melihat dari sisi yag palig buruk yag mugki terjadi Kriteria miimax / Miimax Regret Criterio / The Savage decisio Criterio Tujua : Utuk memiimumka Peyesala or opportuity cost yag terjadi akibat memilih keputusa yag salah Peyesala/Regret diukur dari selisih absolut atara hasil yag diperoleh dari strategi yag diambil dega hasil yag diperoleh apabila memilih strategi yag palig efektif Tekik Pemiliha : Setelah setiap strategi ditimbag utug rugiya, pilih strategi yag palig redah dampak Regretya Misal : State of Nature Regret Matrix Maximum Strategi Success Failure Success Failure Regret Ivest $ 2 $ 1 $ $ 1 $ 1 Do ot ivest 2 $ 2 * The Strategy with the miimum regret value

9 Cotoh : State of Nature Regret Criteria Strategy N 1 N 2 N 3 N 4 N 1 N 2 N 3 N 4 Maximi Maximim Regret S 1 S 2 S 3 S 4 S

MANAJEMEN RISIKO INVESTASI

MANAJEMEN RISIKO INVESTASI MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya

Lebih terperinci

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

PETA KONSEP RETURN dan RISIKO PORTOFOLIO PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI

Lebih terperinci

IV METODE PENELITIAN

IV METODE PENELITIAN IV METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia Lokasi peelitia dilakuka di PT. Bak Bukopi, Tbk Cabag Karawag yag berlokasi pada Jala Ahmad Yai No.92 Kabupate Karawag, Jawa Barat da Kabupate Purwakarta

Lebih terperinci

Muniya Alteza

Muniya Alteza NILAI WAKTU UANG 1. Kosep dasar ilai waktu uag (time value of moey) 2. Nilai masa depa (future value) 3. Nilai sekarag (preset value) 4. Auitas (auity) 5. Perpetuitas (perpetuity) 6. Buga tahua efektif/

Lebih terperinci

MATERI 14 EVALUASI KINERJA PORTOFOLIO

MATERI 14 EVALUASI KINERJA PORTOFOLIO MATERI 14 EVALUASI KINERJA PORTOFOLIO KERANGKA PIKIR EVALUASI KINERjA PORTOFOLIO (EKP) MENGUKUR TINGKAT RETURN PORTOFOLIO RISK-ADJUSTED PERFORMANCE - INDEKS SHARPE - INDEKS TREYNOR - INDEKS JENSEN dede08m.com

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH 89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas

Lebih terperinci

SESI 13 Payback Period

SESI 13 Payback Period Mata Kuliah : Ekoomi Tekik Kode MK : TKS 4107 Pegampu : Achfas Zacoeb SESI 13 Payback Period zacoeb.lecture.ub.ac.id PENDAHULUAN Metode Payback Period pada dasarya bertujua utuk megetahui seberapa lama

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan pada bulan Juli 2013 sampai Januari 2014

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan pada bulan Juli 2013 sampai Januari 2014 BAB III METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia ii dilaksaaka pada bula Juli 2013 sampai Jauari 201 berlokasi di Kabupate Gorotalo. B. Jeis Peelitia Peilitia tetag evaluasi program pegembaga

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci

JENIS PENDUGAAN STATISTIK

JENIS PENDUGAAN STATISTIK ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN 16 III. METODOLOGI PENELITIAN 3.1. Keragka Pemikira Pegukura kierja keuaga perusahaa pada dasarya dilaksaaka karea igi megetahui tigkat profitabilitas (keutuga) da tigkat resiko atau tigkat kesehata suatu

Lebih terperinci

Buku Padua Belajar Maajeme Keuaga Chapter 0 KONSEP NILAI WAKTU UANG. Pegertia. Nilai Uag meurut waktu, berarti uag hari ii lebih baik / berharga dari pada ilai uag dimasa medatag pada harga omial yag sama.

Lebih terperinci

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di lokasi huta taama idustri yag terdapat di PT. Wirakarya Sakti Provisi Jambi. Waktu pelaksaaa peelitia ii adalah bula April

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu

Lebih terperinci

MATERI 10 ANALISIS EKONOMI

MATERI 10 ANALISIS EKONOMI MATERI 10 ANALISIS EKONOMI TOP-DOWN APPROACH KONDISI EKONOMI DAN PASAR MODAL VARIABEL EKONOMI MAKRO MERAMAL PERUBAHAN PASAR MODAL 10-1 TOP-DOWN APPROACH Dalam melakuka aalisis peilaia saham, ivestor bisa

Lebih terperinci

Pendugaan Parameter. Debrina Puspita Andriani /

Pendugaan Parameter. Debrina Puspita Andriani    / Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA A. Tijaua Peeliti Terdahulu Peelitia yag dilakuka oleh Laraswati tahu 2010 yag meeliti tetag portofolio optimal saham yag masuk dalam Jakarta Islamic Idex (JII). Kesimpula dari

Lebih terperinci

STATISTIKA NON PARAMETRIK

STATISTIKA NON PARAMETRIK . PENDAHULUAN STATISTIKA NON PARAMETRIK Kelebiha Uji No Parametrik: - Perhituga sederhaa da cepat - Data dapat berupa data kualitatif (Nomial atau Ordial) - Distribusi data tidak harus Normal Kelemaha

Lebih terperinci

TEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran

TEORI PENAKSIRAN. Bab 8. A. Pendahuluan. Kompetensi Mampu menjelaskan dan menganalisis teori penaksiran Bab 8 TEORI PENAKSIRAN Kompetesi Mampu mejelaska da megaalisis teori peaksira Idikator 1. Mejelaska da megaalisis data dega megguaka peaksira titik 2. Mejelaska da megaalisis data dega megguaka peaksira

Lebih terperinci

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N,

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, DISTRIBUSI SAMLING opulasi da Sampel opulasi : totalitas dari semua objek/ idividu yg memiliki karakteristik tertetu, jelas da legkap yag aka diteliti Sampel : bagia dari populasi yag diambil melalui cara-cara

Lebih terperinci

REGRESI DAN KORELASI SEDERHANA

REGRESI DAN KORELASI SEDERHANA REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai

Lebih terperinci

KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI

KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,

Lebih terperinci

Pokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom.

Pokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom. Pokok Bahasa -9. Retur da Risiko Lecture Note: Defiisi retur da risiko Klasifikasi retur da risiko Hubuga retur da risiko Retur da Risiko Aktiva Tuggal Abormal Retur Retur da Risiko Portofolio 1 2 Retur

Lebih terperinci

BAB III METODE PENELITIAN. cuci mobil CV. Sangkara Abadi di Bumiayu. Metode analisis yang dipakai

BAB III METODE PENELITIAN. cuci mobil CV. Sangkara Abadi di Bumiayu. Metode analisis yang dipakai 20 BAB III METODE PENELITIAN 3.1 Jeis Peelitia Peelitia ii merupaka aalisis tetag kelayaka ivestasi usaha cuci mobil CV. Sagkara Abadi di Bumiayu. Metode aalisis yag dipakai adalah metode aalisis kuatitatif

Lebih terperinci

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag

Lebih terperinci

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa

Lebih terperinci

BAB 3 DATA DAN METODOLOGI PENELITIAN

BAB 3 DATA DAN METODOLOGI PENELITIAN BAB 3 DATA DAN METODOLOGI PENELITIAN Pada Bab ii aka memberika iformasi hal yag berkaita dega lagkah-lagkah sistematis yag aka diguaka dalam mejawab pertayaa peelitia.utuk itu diperluka beberapa hal sebagai

Lebih terperinci

MATERI 12 ANALISIS PERUSAHAAN

MATERI 12 ANALISIS PERUSAHAAN MATERI 12 ANALISIS PERUSAHAAN EPS DAN INFORMASI LAPORAN KEUANGAN KELEMAHAN PELAPORAN EPS DALAM LAPORAN KEUANGAN ANALISIS RASIO PROFITABILITAS PERUSAHAAN EARNING PER SHARE (EPS) PRICE EARNING RATIO (PER)

Lebih terperinci

Chapter 7 Student Lecture Notes 7-1

Chapter 7 Student Lecture Notes 7-1 Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji

Lebih terperinci

UKURAN LOKASI DAN DISPERSI

UKURAN LOKASI DAN DISPERSI Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga UKURAN LOKASI DAN DISPERSI Statistika da Probabilitas Statistical Measures Commo statistical measures Measure of cetral tedecy Mea

Lebih terperinci

Analisa Data Statistik. Ratih Setyaningrum, MT

Analisa Data Statistik. Ratih Setyaningrum, MT Aalisa Data tatistik Ratih etyaigrum, MT Referesi Agoes oehiaie, Ph.D Daftar Isi Iferesi tatistik Hipotesa tatistik : Kosep Umum Hipotesa statistik adalah sebuah klaim/peryataa atau cojecture tetag populasi.

Lebih terperinci

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab

Lebih terperinci

1 n MODUL 5. Peubah Acak Diskret Khusus

1 n MODUL 5. Peubah Acak Diskret Khusus ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai

Lebih terperinci

BAB 5 UKURAN DISPERSI

BAB 5 UKURAN DISPERSI BAB 5 UKURAN DISPERSI A. Ukura Dispersi Meurut Hasa (011 : 101) ukura dispersi atau ukura variasi atau ukura peyimpaga adalah ukura yag meyataka seberapa jauh peyimpaga ilai-ilai data dari ilai-ilai pusatya

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

Nilai Waktu dan Uang (Time Value of Money)

Nilai Waktu dan Uang (Time Value of Money) Nilai Waktu da Uag (Time Value of Moey) Kosep Dasar Jika ilai omialya sama, uag yag dimiliki saat ii lebih berharga daripada uag yag aka diterima di masa yag aka datag Lebih baik meerima Rp juta sekarag

Lebih terperinci

Pokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom.

Pokok Bahasan Return dan Risiko. Return. Klasifikasi Return. Return PENDAHULUAN AIMP. Trisnadi Wijaya, S.E., S.Kom. Pokok Bahasa 3-6. Retur da Risiko Lecture Note: Defiisi retur da risiko Klasifikasi retur da risiko Hubuga retur da risiko Retur da Risiko Aktiva Tuggal Abormal Retur Retur da Risiko Portofolio 1 Retur

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 33 BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Obyek yag aka diteliti dalam peelitia ii merupaka perusahaa/emite berstatus tetap yag termasuk dalam Jakarta islamic idex (JII) da SBI dega periode

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi. Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini bertujuan untuk menganalisis pembentukan portofolio optimal

BAB III METODE PENELITIAN. Penelitian ini bertujuan untuk menganalisis pembentukan portofolio optimal BAB III METODE PENELITIAN 3.1 Jeis Peelitia Peelitia ii bertujua utuk megaalisis pembetuka portofolio optimal saham-saham pada ideks LQ-45 megguaka model ideks tuggal periode 2014 2015. Berdasarka tujua

Lebih terperinci

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM KONSEP WAKTU UANG PADA MASALAH KEUANGAN. Modul ke: Fakultas EKONOMI DAN BISNIS. Program Studi Akuntansi

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM KONSEP WAKTU UANG PADA MASALAH KEUANGAN. Modul ke: Fakultas EKONOMI DAN BISNIS. Program Studi Akuntansi Modul ke: 05 KONSEP WAKTU UANG PADA MASALAH KEUANGAN Fakultas EKONOMI DAN BISNIS Program Studi Akutasi Idik Sodiki,SE,MBA,MM Pedahulua Kosep ilai waktu dari uag (time value of moey) pada dasarya mejelaska

Lebih terperinci

ANALISA KELAYAKAN FINANSIAL PASAR TRADISIONAL MODERN PLAJU PALEMBANG

ANALISA KELAYAKAN FINANSIAL PASAR TRADISIONAL MODERN PLAJU PALEMBANG ANALISA KELAYAKAN FINANSIAL PASAR TRADISIONAL MODERN PLAJU PALEMBANG Hei Fitriai Jurusa Tekik Sipil Fakultas Tekik Uiversitas Sriwijaya Jala Raya Prabumulih Km. 32 Ideralaya Oga Ilir Sumatra Selata E-mail:

Lebih terperinci

BAB IV PEMECAHAN MASALAH

BAB IV PEMECAHAN MASALAH BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii

Lebih terperinci

ANALISIS BIAYA INVESTASI PADA PERUMAHAN GRIYA PANIKI INDAH

ANALISIS BIAYA INVESTASI PADA PERUMAHAN GRIYA PANIKI INDAH Jural Sipil Statik Vol. No.5, April 203 (377-38) ISSN: 2337-6732 ANALISIS BIAYA INVESTASI PADA PERUMAHAN GRIYA PANIKI INDAH Steve Fredrik Josef Maopo J. Tjakra, R. J. M. Madagi, M. Sibi Fakultas Tekik

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakag Risiko adalah suatu yag selalu dihubugka dega kemugkia terjadiya sesuatu yag merugika yag tidak terduga da tidak diharapka atau peyimpaga atara tigkat pegembalia yag

Lebih terperinci

A. Pengertian Hipotesis

A. Pengertian Hipotesis PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya 5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.

Lebih terperinci

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka

Lebih terperinci

Analisis Window Dressing pada Reksa Dana Saham Perusahaan Sekuritas Indonesia tahun

Analisis Window Dressing pada Reksa Dana Saham Perusahaan Sekuritas Indonesia tahun Trias, Aalisis Widow Dressig pada Reksa Daa Saham Perusahaa Sekuritas Idoesia tahu.. 1 Aalisis Widow Dressig pada Reksa Daa Saham Perusahaa Sekuritas Idoesia tahu 2010-2015 Aalysis Widow Dressig o Stock

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa

Lebih terperinci

MATEMATIKA EKONOMI 1 Deret. DOSEN Fitri Yulianti, SP, MSi.

MATEMATIKA EKONOMI 1 Deret. DOSEN Fitri Yulianti, SP, MSi. MATEMATIKA EKONOMI 1 Deret DOSEN Fitri Yuliati, SP, MSi. Deret Deret ialah ragkaia bilaga yag tersusu secara teratur da memeuhi kaidah-kaidah tertetu. Bilaga-bilaga yag merupaka usur da pembetuk sebuah

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.

Lebih terperinci

Statistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015

Statistika Inferensia: Pendugaan Parameter. Dr. Kusman Sadik, M.Si Dept. Statistika IPB, 2015 Statistika Iferesia: Pedugaa Parameter Dr. Kusma Sadik, M.Si Dept. Statistika IPB, 05 Populasi : Parameter Sampel : Statistik Statistik merupaka PENDUGA bagi parameter populasi Pegetahua megeai distribusi

Lebih terperinci

Haryoso Wicaksono, S.Si., M.M., M.Kom. 8

Haryoso Wicaksono, S.Si., M.M., M.Kom. 8 Seragam (Uiform) [D1] : Fugsi probabilita Uiform utuk semua ilai. Dimaa merupaka bayakya 1 f ( ) obyek da diasumsika memiliki sifat yag sama. Biomial [D2] : Sifat percobaa Biomial : Percobaa dilakuka dalam

Lebih terperinci

Statistika Inferensial

Statistika Inferensial Cofidece Iterval Ara Fariza Statistika Iferesial Populasi Sampel Simpulka (estimasi) tetag parameter Medapatka statistik Estimasi: estimasi titik, estimasi iterval, uji hipotesa 2 1 Proses Estimasi Populasi

Lebih terperinci

Bab 6 PENAKSIRAN PARAMETER

Bab 6 PENAKSIRAN PARAMETER Bab 6 PENAKSIRAN PARAMETER Stadar Kompetesi : Setelah megikuti kuliah ii, mahasiswa dapat memahami hubuga ilai sampel da populasi da meetuka distribusi samplig yag tepat utuk diguaka Kompetesi Dasar :

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma

Lebih terperinci

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4

Mata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4 Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika

Lebih terperinci

Inflasi dan Indeks Harga I

Inflasi dan Indeks Harga I PERTEMUAN 1 Iflasi da Ideks Harga I 1 1 TEORI RINGKAS A Pegertia Agka Ideks Agka ideks merupaka suatu kosep yag dapat memberika gambara tetag perubaha-perubaha variabel dari suatu priode ke periode berikutya

Lebih terperinci

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel) DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered. 2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug

Lebih terperinci

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,

Lebih terperinci

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel. II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug

Lebih terperinci

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian

BAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Bicriteria Liear Programmig (BLP) Pesoala optimisasi dega beberapa fugsi tujua memperhitugka beberapa tujua yag koflik secara simulta, secara umum Multi objective programmig (MOP)

Lebih terperinci

Distribusi Sampling (Distribusi Penarikan Sampel)

Distribusi Sampling (Distribusi Penarikan Sampel) Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

Secara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:

Secara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real: BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif

Lebih terperinci

Modul Kuliah statistika

Modul Kuliah statistika Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata

Lebih terperinci

ESTIMASI TITIK DAN INTERVAL KEPERCAYAAN

ESTIMASI TITIK DAN INTERVAL KEPERCAYAAN 8/8/0 IE 305 tatistika Idustri LOGO ETIMAI TITIK DAN INTERVAL KEPERCAYAAN Elty arvia, T.,MT. Fakultas Tekik Jurusa Tekik Idustri Uiversitas Kriste Maraatha Badug LT arvia/esi Tujua 3 4 5 6 Medefiisika

Lebih terperinci

UKURAN PEMUSATAN UKURAN PENYEBARAN

UKURAN PEMUSATAN UKURAN PENYEBARAN UKURAN PEMUSATAN DATA TUNGGAL DATA KELOMPOK. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL UKURAN PENYEBARAN JANGKAUAN HAMPARAN RAGAM / VARIANS SIMPANGAN BAKU

Lebih terperinci

Analisa resiko dalam penganggaran modal

Analisa resiko dalam penganggaran modal Analisa resiko dalam penganggaran modal Risiko proyek Ada yang 3 jenis resiko suatu proyek yang dapat diukur (lukas setia atmaja, 2011) : risiko yang berdiri sendiri (Stand-alone risk) : risiko suatu proyek

Lebih terperinci

UKURAN PEMUSATAN DATA

UKURAN PEMUSATAN DATA Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN

Lebih terperinci

BAB II LANDASAN TEORI. Keuangan terdiri dari tiga bidang yang saling berhubungan: (1) pasar uang

BAB II LANDASAN TEORI. Keuangan terdiri dari tiga bidang yang saling berhubungan: (1) pasar uang BAB II LANDASAN TEORI A. Maajeme Keuaga Keuaga terdiri dari tiga bidag yag salig berhubuga: (1) pasar uag da pasar modal, berkaita dega pasar sekuritas da lembaga keuaga; () ivestasi, yag memfokuska pada

Lebih terperinci

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy

BAB III PEMBAHASAN. Pada BAB III ini akan dibahas mengenai bentuk program linear fuzzy BAB III PEMBAHASAN Pada BAB III ii aka dibahas megeai betuk program liear fuzzy dega koefisie tekis kedala berbetuk bilaga fuzzy da pembahasa peyelesaia masalah optimasi studi kasus pada UD FIRDAUS Magelag

Lebih terperinci

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas

Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk

Lebih terperinci

i adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.

i adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas. 4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha

Lebih terperinci

BAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan

BAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti

Lebih terperinci

Biostatistics UJI CHI-SQUARE UJI HIPOTESIS CHI-SQUARE

Biostatistics UJI CHI-SQUARE UJI HIPOTESIS CHI-SQUARE Biostatistics UJI CHI-SQUARE I N T A N Y U S U F H A B I B I E, S. G Z - Ilmu statistik tidak haya membatu kita utuk medeskripsika data secara rigkas, tapi juga dapat diguaka utuk meguji hipotesa. - Hipotesa

Lebih terperinci

ANALISIS KELAYAKAN INVESTASI PADA RUMAH SAKIT X DI CIMAHI

ANALISIS KELAYAKAN INVESTASI PADA RUMAH SAKIT X DI CIMAHI ANALISIS KELAYAKAN INVESTASI PADA RUMAH SAKIT X DI CIMAHI Rii Ratayati Jurusa Tekik Sipil, Fakultas Tekik, Istitut Tekologi Nasioal Badug E-mail : zeska2210@yahoo.com Berardius Herbudima Jurusa Tekik Sipil,

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand

Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Unand TEKIK SAMPLIG PCA SEDERHAA Hazmira Yozza Izzati Rahmi HG Jurusa Matematika FMIPA Uad Defiisi : Jika suatu cotoh berukura diambil dari suatu populasi berukura sedemikia rupa sehigga setiap kemugkia cotoh

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

Mata Kuliah: Statistik Inferensial

Mata Kuliah: Statistik Inferensial PENGUJIAN HIPOTESIS SAMPEL KECIL Prof. Dr. H. Almasdi Syahza, SE., MP Email: asyahza@yahoo.co.id DEFINISI Pegertia Sampel Kecil Sampel kecil yag jumlah sampel kurag dari 30, maka ilai stadar deviasi (s)

Lebih terperinci

4/15/2009. Arti investasi : a. Hasil penjualan. b. Biaya c. Ekspektasi dan kepercayaan.

4/15/2009. Arti investasi : a. Hasil penjualan. b. Biaya c. Ekspektasi dan kepercayaan. Arti ivestasi : a. Hasil pejuala. b. Biaya c. Ekspektasi da kepercayaa. Ivestasi : peigkata barag modal berujud Kekuata Ekoomi Utama; Hasil pegembalia ivestasi yag dipegaruhi oleh struktur ekoomi, biaya

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 1.1. Lokasi Peelitia Peelitia ii dilakuka di Pojok Bursa Efek Jakarta (BEJ) yag berlokasi di Uiversitas Islam Negeri Malag, Jala Gajayaa 50 malag. Peetua lokasi ii dilakuka dega

Lebih terperinci

MATERI 13 ANALISIS TEKNIKAL ANALISIS TEKNIKAL

MATERI 13 ANALISIS TEKNIKAL ANALISIS TEKNIKAL MATERI 13 ANALISIS TEKNIKAL ASUMSI-ASUMSI DASAR ANALISIS TEKNIKAL KEUNTUNGAN DAN KRITIK TERHADAP ANALISIS TEKNIKAL TEKNIK-TEKNIK DALAM ANALISIS TEKNIKAL - The Dow Theory - Chart Pola Pergeraka Harga Saham

Lebih terperinci

BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON

BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika

Lebih terperinci

Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya

Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2016 Nizar Rabbi Radliya Materi 5 DATA MINING 3 SKS Semester 6 S1 Sistem Iformasi UNIKOM 2016 Nizar Rabbi Radliya izar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetesi Dasar Memahami tekik data miig klasifikasi da mampu meerapka

Lebih terperinci

REGRESI DAN KORELASI

REGRESI DAN KORELASI REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas

Lebih terperinci