Jurnal Matematika, Statistika Desember 2013
|
|
- Yanti Oesman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG ENDY NUR CAHYANTO, NASRAH SIRAJANG, M. SALEH AF Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Hasanuddin (UNHAS), Jln. Perintis Kemerdeaan Km. 10 Maassar 90245, IndonesiaEndy Nur Cahyanto, ABSTRAK Penelitian ini ertujuanuntumenjelasan analisis ovariansi pada rancangan ujursangar youden dan menjelasan penerapan ovariansi pada rancangan ujursangar youden dengan data hilang. Data yang hilang terseut diduga terleih dahulu emudian dianalisis. Adanya variael onomitan aan mempengaruhi tingat etelitian suatu percoaan arena variael ini erpengaruh terhadap variael respon dan tida dapat diendalian oleh perlauan yang dicoaan. Penyelesaian terhadap adanya variael onomitan terseut dapat dilauan dengan analisis ovariansi. Dalam menyusun uji analisis ovariansi terleih dahulu melauan uji asumsi yang harus dipenuhi. Pada penerapan ini dilihat pengaruh pemerian dosis pupu varietas padi terhadap hasil gaah, dengan variael olom erupa jenis tanah dan variael aris erupa elompo peta sawah dan variael onomitannya adalah anyanya anaan per rumpun. Hasil uji analisis ovariansi adalah tida ada pengaruh pemerian dosis pupu varietas padi, elompo peta sawah, jenis tanah terhadap hasil gaah. Dilihat dari perandingan oefisien eragaman data lengap dan data hilang ahwa analisis ovariansi dapat memerian hasil yang leih ai diandingan dengan analisis variansi. Kata Kunci : Rancangan Bujursangar youden, Analisis Kovariansi, Variael Konomitan, Data hilang. 1. Pendahuluan Rancangan percoaan adalah suatu tes atau serangaian tes dengan masud mengamati dan mengidentifiasi peruahan-peruahan pada output respon yang di seaan oleh peruahan-peruahan yang dilauan pada variael input dari suatu proses (Montgomery, 2005). Rancangan percoaan diedaan menjadi rancangan perlauan dan rancangan lingungan. Rancangan perlauan adalah rancangan yang erdasaran anya fator dan metode penerapan perlauan pada unit percoaan. Salah satu contoh rancangan perlauan adalah rancangan fatorial. Rancangan ini ertujuan untu mengetahui pengaruh dari fator-fator yang dierian dan juga interasi antar fator-fatornya. Sedangan rancangan lingungan adalah rancangan yang eraitan dengan agaimana perlauanperlauan ditempatan pada unit percoaan. Adapun contoh rancangan lingungan adalah Rancangan Aca Lengap (RAL), Rancangan Aca Kelompo Lengap (RAKL), dan Rancangan Bujursangar Latin (RBSL). Pada Rancangan Bujursangar Latin (RBSL), tiap perlauan hanya oleh muncul satu ali pada tiap aris dan tiap olom, anya ategori dari setiap elompo aris dan olom harus sama dengan anyanya perlauan. Aan tetapi, apaila anyanya olom tida sama dengan anyanya aris dan perlauan yang diamati maa digunaan Rancangan Bujursangar Youden (RBSY). Banyanya fator perlauan dalam RBSY adalah leih anya atau sama dengan anyanya aris atau olom. Dalam suatu percoaan, seringali dijumpai adanya pengaruh variael-variael lain diluar variael penelitian. Variael yang ersifat demiian diseut variael onomitan. 1
2 Variael onomitan merupaan variael lain yang muncul dalam suatu percoaan yang tida dapat diendalian sehingga dapat mempengaruhi variael respons yang sedang diamati dalam penelitian. Anaova dapat diterapan dalam eragai rancangan termasu RBSY. Model linier RBSY untu anaova dapat erupa model tetap atau model aca, dengan asumsi untu masing-masing model ereda. Adapun tujuan penulisan ini adalah Untumengaji analisis ovarians pada rancangan ujursangar youden dan untu menerapan analisis ovariansi pada rancangan ujursangar youden dengan data hilang. 2. Tinjauan Pustaa 2.1 Rancangan Percoaan Rancangan percoaan memilii tujuan untu memperoleh atau mengumpulan informasi seanya-anyanya yang diperluan dalam melauan suatu penelitian. Dengan ata lain rancangan percoaan adalah suatu tes atau serangaian tes dengan masud mengamati dan mengidentifiasi peruahan-peruahan pada output respon yang di seaan oleh peruahan-peruahan yang dilauan pada variael input dari suatu proses. 2.2 Rancangan Bujursangar Latin (RBSL) Dalam rancangan ini area percoaan diagi dalam dua agian yaitu aris dan olom dengan setiap perlauan hanya muncul seali dalam setiap aris dan olom. Dengan ata lain, dalam situasi dimana dietahui ahwa leih dari satu sumer eragaman luar tida dapat diontrol, misalnya tida memunginan untu mendapatan satuan percoaan yang homogen atau eadaan lapangan yang tida seragam, rancangan ujursangar latin merupan pilihan yang tepat, arena emampuannya dalam mengendalian galat percoaan dengan mengeluaran sumer eragaman yang dietahui terseut Model Rancangan Bujursangar Latin Seimang (RBSLS) Rancangan ujursangar latin merupaan salah satu entu rancangan yang dicirian oleh adanya dua sumer eragaman luar yang tida dapat diontrol. Setiap perlauan hanya aan muncul seali dalam setiap aris dan olom. Model rancangan ujursangar latin dapat ditulis : Y ij = μ + α I + β J + τ () + ε ij (2.1) Untu model efe tetap, efe aris, efe olom, dan efe perlauan didefinisian seagai penyimangan dari nilai rata-rata eseluruhan (Montgomery, 1991), sehingga diperoleh : t i=1 α i = j =1 β j = =1 τ () = 0 (2.2) Model Rancangan Aca Kelompo Lengap Ta Seimang (RAKLTS) RAKLTS adalah suatu rancangan elompo ta lengap dengan anyanya perlauan yang muncul dalam jumlah yang sama anya. Secara umum model linear aditif dari rancangan satu fator dengan RAKLTS dapat ditulisan seagai eriut : Y ij = μ + τ i + β j + ε ij (2.3) 2
3 2.3 Rancangan Bujursangar Youden (RBSY) Bujursangar youden adalah ujursangar latin yang tida lengap arena jumlah olomnya tida sama dengan jumlah aris dan perlauan yang diteliti. Selain itu Rancangan Bujursangar Youden (RBSY) dapat merupaan rancangan ujursangar latin ta lengap yaitu dengan menamah/mengurangi paling sediit satu olom atau aris, arena dengan penamahan terseut aan diperoleh ujursangar latin Model Linear Rancangan Bujursangar Youden (RBSY) Menurut Gaspersz (1995), Rancangan Bujursangar Youden memilii model statisti seagai eriut : Y ij = μ + α i + β j + τ + ε ij (2.4) Jia model tetap yang digunaan dalam RBSY maa asumsi yang harus dipenuhi adalah : t i=1 α i = j =1 β j = =1 τ = 0 (2.5) Tael 2.1 Sumer Variansi Analisis varians Rancangan Bujursangar Youden Model Tetap Jumlah Kuadrat d F Kuadrat Tengah hitung Perlauan t-1 JKP KTP F = KTP KTG Baris -1 JKB KTB F = KTB KTG Kolom -1 JKK KTK F = KTK KTG Galat (t-1)(-1)-(- 1) JKG KTG - Total t-1 JKT Analisis Kovariansi Analisis ovariansi atau sering diseut dengan ANAKOVA adalah teni statisti untu uji eda multivariat yang merupaan perpaduan antara analisis regresi (ANAREG) dengan analisis varian (ANAVA). Secara leih husus dalam ANAKOVA diadaan analisis residu pada garis regresi, yaitu dilauan dengan jalan memandingan varian residu antar elompo dengan varian residu dalam elompo. Model analisis ovariansi dengan satu variael eas dan satu variael onomitan disajian seagai eriut : Y ij = μ + β X ij X + τ i + ε ij (2.6) 2.5 Data Hilang Teni rumus data yang hilang diuraian untu lima rancangan percoaan yaitu elompo lengap teraca, uadrat latin, peta-teragi, peta-erjalur dan peta-peta teragi. Untu setiap rancangan,dierian rumus untu menduga data yang hilang dan peruahan yang diperluan dalam sidi ragam dan dalam pemandingan rataan erpasangan. Juga diicaraan cara untu mendapatan untu asus dimana data yang hilang leih dari satu. 3
4 Bentu umum data yang hilang dalam rancangan ujursangar youden diduga seagai : Y ij () = r R i+c j +T 2G (2.7) t 1 1 ( 1) 3. Hasil dan Pemahasan 3.1 Analisis Kovariansi Dalam Rancangan Bujursangar Youden Anaova merupaan analisis yang mengominasian onsep analisis variansi dengan analisis regresi sehingga dapat digunaan untu peraianetelitian suatu percoaan Rancangan Bujursangar Youden RBSY merupaan gaungan dari rancangan ujursangar latin dan rancangan aca elompo lengap ta seimang (RAKLTS). RBSY memilii sifat eseimangan dari RAKLT]S yaitu aris-aris yang erhuungan dengan elompo dan perlauan terjadi tepat satu ali dalam tiap-tiap olom atau aris. Dierian model analisis variansi untu rancangan ujursangar youden sesuai pers. (2.4) seagai eriut: Y ij = μ + α i + β j + τ + ε ij (3.1) Analisis Kovariansi Dalam Rancangan Bujursangar Youden Analisis ovariansi merupaan suatu teni yang mengominasian analisis variansi dengan analisis regresi yang dapat digunaan untu peraian etelitian suatu percoaan (Neter d, 1997). Analisis ovariansi digunaan erdasaran pertimangan ahwa dalam enyataannya terdapat variael lain yang muncul dalam suatu percoaan yang tida dapat diendalian, sehingga sangat mempengaruhi variael respons yang sedang diamati. Variael terseut dinamaan variael onomitan. Model ovariansi dimulai dengan model ini dan secara sederhana ditamah istilah lain yang menggamaran huungan antara variael onomitan dan variael dependen. Biasanya, huungan linear digunaan seagai suatu pendeatan pertama, yaitu : Y ij = μ + α i + γx ij + ε ij (3.2) Sehingga dari pers. (2.4) diperoleh model analisis ovariansi dalam rancangan ujursangar youden adalah seagai eriut : Y ij = μ + α i + β j + τ + γ X ij X + ε ij (3.3) Langah-langah analisis ovariansi dalam rancangan ujursangar youden seagai eriut : 1. Pengujian Asumsi Asumsi-asumsi yang harus dipenuhi pada analisis ovariansi yaitu seagai eriut : 1. Variael onomitan tida erorelasi dengan perlauan yang dicoaan. Pengujian hipotesisnya seagai eriut : a. H 0 : Variael onomitan (X) tida erorelasi dengan perlauan yang dicoaan. H 1 : Variael onomitan (X) erorelasi dengan perlauan yang dicoaan.. Taraf signifian : α = 0,01 c. Statisti uji : F = JKP x t 1 JKG x t(r 1) dimana: JKP x = jumlah uadrat perlauan untu variael X (3.4) 4
5 JKG x = jumlah uadrat galat untu variael X d. Kriteria eputusan : H 0 ditola jia F hit > F α(t 1,t r 1 ) dimana: t = anyanya perlauan r = anyanya ulangan e. Perhitungan f. Kesimpulan 2. Huungan antara variael onomitan (X) dengan variael respon (Y) ersifat linier. Asumsi ini dapt ditentuan dengan melihat plot dari (X) dan (Y) yaitu jia apaila titi-titi amatan mengiuti arah garis lurus maa menunjuan ecenderungan huungan antara edua variael terseut ersifat linear. 3. Galat erdistriusi normal. Bila penyimpangan dari enormalan ternyata ecil maa tida aan menimulan masalah, tetapi ila penyimpangan esar maa perlu diperhatian. Untu mengetahui enormalan suu-suu galat dapat diselidii secara informal dengan cara memerisa sisa-sisa pada grafi peluang normal. Pada grafi peluang normal terseut setiap sisa aan ditearan nilai harapannya. Jia grafi terseut menunjuan cenderung linier maa ada esesuaian dengan asumsi enormalan sehingga asumsi tentang enormalan terpenuhi. Untu memuat grafi sisa terhadap nilai harapan diperluan langah-langah seagai eriut : 1). mencari persamaan regresi 2). Menghitung nilai Y i 3). Menghitung nilai sisa e i = Y i Y i 4). Menghitung nilai KTG e i 2 5). Mencari z i 0,375 pada tael normal au n+0,25 6). Memuat grafi sisa terhadap nilai harapan Pemerisaan dengan menggunaan grafi peluang normal dari galat. Apaila titititi amatan mengiuti arah garis lurus/diagonal maa galat terseut erdistriusi normal. Dengan menggunaan metode penduga uadrat terecil aan dilauan pendugaan parameter pada pers. (4.4) seagai eriut : ε ij = Y ij μ α i β j τ γ X ij X t i=1 j =1 =1 2 ε ij 2 ε ij n 2 = Y ij μ α i β j τ γ X ij X 2 t = Y ij μ α i β j τ γ X ij X 2 i=1 j =1 =1 i=1 t j =1 =1 j =1 t =1 2 ε ij Denganpemisalan, Q =, maa: Q = i=1 Y ij μ α i β j τ γ X ij X 2 (3.5) 1. Estimasi parameter μ μ = Y (3.6) 2. Estimasi parameter α i sesuai pers. (3.6) ahwaμ = Y, maa: α i = Y i.. Y γx i.. + γx (3.7) 3. Estimasi parameter β j sesuai pers. (3.6) ahwaμ = Y, maa: β j = Y.j. Y γx.j. + γx (3.8) 4. Estimasi parameter τ sesuai pers. (3.6) ahwaμ = Y, maa: τ = Y.. Y γx.. + γx (3.9) 5
6 5. Estimasi parameter γ γ = JHKGxy JKGxx 6. Galatpercoaan (3.10) εij = Y ij Y ij = Y ij μ α β τ γ X ij X (3.11) 4. Koefisien regresi X mempengaruhi Y Hipotesis untu uji ini yaitu : 1) H 0 : γ = 0 (nilai X tida mempengaruhi nilai Y) H 1 : γ 0 (nilai X mempengaruhi nilai Y) 2) Taraf signifiansi : α = 0,01 3) Statisti uji : F = KT regresi KT galat teroresi (3.12) 4) Kreteria eputusan : H 0 ditola jia F hit > F α 5) Perhitungan 6) Kesimpulan 2) Pengujian Hipotesis Bentu hipotesis yang di uji pada rancangan ujursangar youden seagai eriut : a. Pengaruh perlauan H 0 : τ 1 = τ 2 = = τ = 0 H 1 : minimal ada satu τ 0. Pengaruh aris H 0 : α 1 = α 2 = = α i = 0 H 1 : minimal ada satu α i 0 (tida ada pengaruh perlauan terhadap fator yang dicoaan) (ada pengaruh perlauan terhadap fator dicoaan) (tida ada pengaruh aris terhadap fator yang dicoaan) (ada pengaruh aris terhadap fator yang dicoaan) c. Pengaruh olom H 0 : β 1 = β 2 = = β j = 0 H 1 : minimal ada satu β j 0 (tida ada pengaruh olom terhadap fator yang dicoaan) (ada pengaruh olom terhadap fator yang dicoaan) Setelah semua asumsi terpenuhi maa langah selanjutnya dilauan analisis ovariansi. Adapun langah-langahnya seagai eriut : a. Menghitungjumlahuadrat total (JKT) pada riterium (Y), ovariael (X), dan jumlah hasil ali total (JHKT) dari XY. t 2 JKT x = X ij i=1 j =1 =1 X 2 t i=1 j =1 =1 Y 2 t i=1 j =1 =1 X ij Y ij X Y JKT y = Y ij 2 JHKT xy = (3.13) (3.14) (3.15). Menghitung jumlah uadrat aris (JKB) pada riterium(y),ovariael(x), dan jumlah hasil ali aris (JHKB) dari XY. JKB x = X i.. 2 (3.16) JKB y = Y i.. 2 JHKB xy = i=1 X 2 i=1 Y 2 X i..y i.. i=1 X Y (3.17) (3.18) 6
7 c. Menghitung jumlah uadrat olom (JKK) pada riterium(y),ovariael (X), dan jumlah hasil ali olom (JHKK) dari XY. JKK x = JKK y = X 2.j. j =1 X 2 Y 2.j. j =1 Y 2 X.j. Y.j. X Y (3.19) (3.20) JHKK xy = j =1 (3.21) d. Menghitung jumlah uadrat perlauan (JKP) pada riterium (Y),ovariael (X), dan jumlah hasil ali perlauan (JHKP) dari XY. JKP x = JKP y = X 2 t.. =1 X 2 Y 2 t.. =1 Y 2 t X.. Y.. X Y (3.22) (3.23) JHKP xy = =1 (3.24) e. Menghitung jumlah uadrat galat (JKG)pada riterium (Y),ovariael (X), dan jumlah hasil ali galat (JHKG) dari XY. JKG x = JKT x JKB x JKK x JKP x (3.25) JKG y = JKT y JKB y JKK y JKP y (3.26) JHKG xy = JKT xy JKB xy JKK xy JKP xy (3.27) f. Menghitung jumlah uadrat teroresi Jumlah uadrat galat teroresi Y (JKG y teroresi) adalah: JKG y teroresi = JKG y JHKG 2 xy JKG x (3.28) Jumlah uadrat (perlauan+galat) teroresi adalah: JK(P + G) teroresi = (JKP y + JKG y ) JHKP xy +JHKG 2 xy JKP x +JKG x (3.29) Jumlah uadrat perlauan teroresi Y (JKP y teroresi) adalah: JKP y teroresi = JK(P + G) teroresi JKG y teroresi (3.30) Jumlah uadrat (aris+galat) teroresi adalah: JK(B + G)teroresi = JKB y + JKG y JHKB xy +JHKG 2 xy JKB x +JKG x (3.31) Jumlah uadrat aris teroresi Y (JKB y teroresi) adalah: JKB y teroresi = JK(B + G) teroresi JKG y teroresi (3.32) Jumlah uadrat (olom+galat) teroresi adalah: JK(K + G) teroresi JKK y + JKG y JHKK xy +JHKG 2 xy JKK x +JKG x (3.33) Jumlah uadrat olom teroresi Y (JKK y teroresi) adalah JKK y teroresi = JK(K + G) teroresi JKG y teroresi (3.34) g. Menghitung derajat eas (d) teroresi untu galat, perlauan, aris, dan olom. d galat teroresi = (t 1)( 1) ( 1) 1 d perlauan teroresi = t 1 d aris teroresi = 1 d olom teroresi = 1 h. Menghitung uadrat tengah KTG teroresi = KTP teroresi = KTB teroresi = KTK teroresi = JK G y teroresi d galat teroresi JK P y teroresi d galat teroresi JK B y teroresi d galat teroresi JKK y teroresi d galat teroresi (3.35) (3.36) (3.37) (3.38) 7
8 i. Menghitung oefisien eragaman dalam ANAKOVA = Kesimpulan KTG teroresi rataan umum Y 100% (3.39) Analisis Kovariansi Dalam Rancangan Bujursangar Youden Dengan Data Hilang Pada rancangan ujursangar youden sering terjadi adanya data yang dihasilan dalam percoaan diraguan arena ada fator tertentu yang mengaiatannya. Dalam hal ini data terseut dianggap data hilang (Gasperz, 1991). Jia terdapat satu atau dua data hilang dalam RBSY ini, data terseut masih dapat di analisis. Tentunya, data yang hilang atau dianggap hilang terseut diduga terleih dahulu, emudian dianalisis. Dengan penggunaan metode uadrat terecil maa penduga data yang hilang untu aris e i olom e j dan perlauan e sesuai pers. (2.7) seagai eriut : Y ij () = r R i+c j +T 2G (3.40) t 1 1 ( 1) 3.2 Penerapan Analisis Kovariansi Dalam Rancangan Bujursangar Youden Dengan Data Hilang Dengan Data Lengap Contoh penerapan yang diamil dari uu (Gomez & Gomez, 1995). Dalam suatu penelitian pertanian dilauan untu mengetahui pengaruh pemerian dosis pupu lima variates padi yaitu A, B, C, D, E terhadap hasil gaah yang diuur dalam peta sawah. Penanaman padi memilii lima peta sawah yang masing-masing ditanami lima varietas padi sehingga dalam percoaan terseut memilii 20 unit percoaan. Dalam asus ini, anyanya anaan per rumpun yang ada dalam peta sawah dijadian seagai variael X atau variael onomitan sedangan hasil gaah seagai variael Y. Banya perlauan leih anya daripada anyanya olom, maa diselesaian dengan RBSY. Berdasaran semua omponen yang digunaan dalam percoaan maa model matematisnya adalah model tetap. Data percoaan dapat dilihat pada tael 3.1. Tael 3.1 Banyanya Anaan per Rumpun (X) dan Hasil Gaah (Y) Jenis Tanah Peta Total Sawah X Y X Y X Y X Y X Y ,3 3,3 2,5 3, A C D B 34 14, ,3 2,7 3,7 2, B D E C 30 12, ,8 4,7 4, C E A D 33 15, ,9 3,7 5,6 5, D A B E 35 16, ,7 4,3 4, E B C A 37 16,6 Total 42 17, , , , ,2 Tael 3.2 Daftar Anaova percoaan pemerian pupu varietas padi terhadap hasil gaah Sumer Seelum Dioresi KT d Setelah Dioresi Variansi D JKx JKy JHKxy regresi regresi d JK KT Fhitung Total 19 40,95 20,308 24,
9 Baris 4 6,7 2,963 4, ,419 0,139 0,361 Kolom 3 6,95 3,212 3, ,806 0,451 1,171 Perlauan 4 10,7 6,173 7, ,679 0,169 0,438 Galat 8 16,6 7,96 9,35 5, ,7 0,385 - Aan diandingan etepatan analisis antara analisis ovariansi seelum dilauan oresi terhadap JK dan JHK dengan analisis ovariansi sesudah dilauan oresi terhadap JK dan JHK dengan menghitung oefisien eragaman: KK seelum dioresi = JKG y 100% Y KK setelah dioresi = 7,96 8 = 3,76 100% = 26,52 % KTGteroresi 100% Y = 0,385 3,76 100% = 16,50 % Terlihat ahwa oefisien eragaman setelah dioresi leih ecil diandingan dengan oefisien eragaman seelum dioresi. Hal ini menunjuan ahwa analis ovariansi yang telah dioresi leih tepat diandingan dengan analisis ovariansi seelum dioresi Dengan Data Hilang Tael 3.3 Banyanya Anaan per Rumpun (X) dan Hasil Gaah (Y) dengan data hilang Y 54A Jenis Tanah Peta Total Sawah X Y X Y X Y X Y X Y ,3 3,3 2,5 3, A C D B 34 14, ,3 2,7 3,7 2, B D E C 30 12, ,8 4,7 4, C E A D 33 15, ,9 3,7 5,6 5, D A B E 35 16, ,7 4,3 Y E B C A Total 42 17, , , , ,6 Tael 3.4 Daftar Anaova percoaan pemerian pupu varietas padi terhadap hasil gaah dengan data hilang Sumer Seelum Dioresi KT d Setelah Dioresi Variansi d JKx JKy JHKxy regresi regresi d JK KT Fhitung Total 19 40,95 26,572 22,
10 Baris 4 6,7 2,857 1, ,361 1,453 1,270 Kolom 3 6,95 2,42 4, ,229 0,057 0,049 Perlauan 4 10,7 2,897 4, ,528 0,632 0,552 Galat 8 16,6 18,398 13,13 5, ,013 1,144 - Aan diandingan etepatan analisis antara analisis ovariansi seelum dilauan oresi terhadap JK dan JHK dengan analisis ovariansi sesudah dilauan oresi terhadap JK dan JHK dengan menghitung oefisien eragaman: KK seelum dioresi = JKG y 100% Y KK setelah dioresi = 18,398 8 = 3,58 100% = 42,3 % KTGteroresi 100% Y = 1,144 3,58 100% = 29,8 % Terlihat ahwa oefisien eragaman setelah dioresi leih ecil diandingan dengan oefisien eragaman seelum dioresi. Hal ini menunjuan ahwa analis ovariansi setelah dioresi leih tepat diandingan dengan analisis ovariansi seelum dioresi. 4. KESIMPULAN Berdasaran uraian pada a seelumnya mengenai Analisis Kovariansi Rancangan Bujursangar Youden maa dapat disimpulan seagai eriut : 1. Dari pengujian analisis ovariansi menunjuan ahwa analisis ovariansi setelah dioresi leih ai diandingan dengan analisis ovariansi seelum dioresi pada rancangan ujursangar youden. 2. Hasil penerapan analisis ovariansi rancangan ujursangar youden dengan data hilang dilauan pada percoaan ini. Dari perandingan oefisien eragaman untu seelum dioresi seesar 26,52% dan setelah dioresi seesar 16,50% pada data lengap. Dan perandingan oefisien eragaman untu seelum dioresi seesar 42,3% dan setelah dioresi seesar 29,8% pada data hilang. Maa dapat diartian analisis ovariansi setelah dioresi leih ai diandingan analisis ovariansi seelum dioresi. 10
11 DAFTAR PUSTAKA Auna, Atin Analisis Kovarian Dalam Rancangan Bujur Sangar Latin dengan data hilang. Universitas Negeri Yogyaarta. Gaspersz, V Metode Perancangan Percoaan. Bandung : CV Armico. Krishan Lal, V.K Gupta & Lalmohan Bhar.1998.Roustness of Youden Square Design Against Missing Data. New Delhi : Indian Agricultural Statistics Research Institute. Kwanchai A. Gomez & Arturo A. Gomez Prosedur Statisti untu Penelitian Pertanian Edisi Kedua. Jaarta : Penerit Universitas Indonesia. Mattji, A.A & Sumertajaya,I.M Perancangan Percoaan. Bogor : IPB Press. Montgomerry, D.C Design and Analysis of Experiments. New Yor : John Wiley & Sons, Inc. Neter, J & Wasserman, W Applied Linear Statistical Model Regression, Analysis of variance and Experimental Design. Illionis : Richard D.R.Win. Sudjana Design dan Analisis Percoaan Esperimen Edisi Ketiga. Bandung : Tarsito. Widhiarso,Wahyu Apliasi analisis Kovarian dalam Penelitian Esperimen. Faultas Psiologi Universitas Gadjah Mada. 11
ANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG
Vol. 11, No. 2, 93-104, Januari 2015 ANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG ENDY NUR CAHYANTO*, NASRAH SIRAJANG*, M. SALEH AF* dy Nur Cahyanto, ABSTRAK Penelitian ini
Lebih terperinciPENINGKATAN 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 terperinciRancangan Petak Terbagi
Rancangan Peta Terbagi Ade Setiawan 009 Percobaan Split-plot merupaan superimpose dari dua jenis satuan percobaan dimana rancangan lingungan untu eduanya bisa sama ataupun berbeda. Satuan percobaan untu
Lebih terperinciII. 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 terperinciAnalisis Varians = Analysis of Variance = ANOVA
. Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.
Lebih terperinciBAB 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 terperinciBujur Sangkar Latin (Latin Square Design) Arum H. Primandari, M.Sc.
Percobaan Satu Faktor: Rancangan Bujur Sangkar Latin (Latin Square Design) Arum H. Primandari, M.Sc. Rancangan Bujur Sangkar Latin (RBSL) Pada kondisi-kondisi tertentu, keheterogenan unit percobaan tidak
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPenentuan Sampling Minimal Dalam Eksperimen Life-Testing menggunakan Order Statistics. Oleh:
Penentuan Sampling Minimal Dalam Esperimen Life-Testing menggunaan Order Statistics Oleh: Budhi Handoo Staff Pengajar Jurusan Statistia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Padjadjaran
Lebih terperinciPEBANDINGAN 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode
Lebih terperinciANALISIS KOVARIANSI RANCANGAN PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK (RAK) DENGAN DATA HILANG
Vol. 14, No. 2, 114-120, Januari 2018 ANALISIS KOVARIANSI RANCANGAN PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK (RAK) DENGAN DATA HILANG YULIANA.DEWI PURI 1,NASRAH,S 2 DAN,NURTITI,S 3 Abstrak Pada skripsi
Lebih terperinciKERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK TIDAK LENGKAP SEIMBANG DENGAN INTERGRADIEN
KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK TIDAK LENGKAP SEIMBANG DENGAN INTERGRADIEN NOVIANTI, V. 1, ANISA 2, DAN SIRAJANG, N. 3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciOptimasi 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 terperinciAcak Kelompok Lengkap (Randomized Block Design) Arum H. Primandari, M.Sc.
Percobaan Satu Faktor: Rancangan Acak Kelompok Lengkap (Randomized Block Design) Arum H. Primandari, M.Sc. Latar belakang Rancangan Acak kelompok adalah suatu rancangan acak yang dilakukan dengan mengelompokkan
Lebih terperinciTUGAS I RANCANGAN PERCOBAAN BAB I
TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data
Lebih terperinciANALISIS 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 terperinciAnalisis Varians = Analysis of Variance = ANOVA
Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.
Lebih terperinciUJI 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 terperinciSah 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 terperinciPERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc.
PERCOBAAN SATU FAKTOR: RANCANGAN ACAK LENGKAP (RAL) Arum Handini Primandari, M.Sc. PENGUJIAN HIPOTESIS Langkah-langkah pengujian hipotesis: 1) Merumuskan hipotesis 2) Memilih taraf nyata α 3) Menentukan
Lebih terperinciPENYELESAIAN 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 terperinciPercobaan Satu Faktor: Rancangan Acak Lengkap (RAL) Oleh: Arum Handini Primandari, M.Sc.
Percobaan Satu Faktor: Rancangan Acak Lengkap (RAL) Oleh: Arum Handini Primandari, M.Sc. Rancangan Acak Lengkap (RAL) RAL merupakan rancangan paling sederhana di antara rancangan-rancangan percobaan baku.
Lebih terperinciAnalisis Kovariansi pada Rancangan Faktorial Dua Faktor dengan n Kali Ulangan
Analisis Kovariansi pada Rancangan Faktorial Dua Faktor dengan n Kali Ulangan Rika Syofiana #1, Minora L. Nst *2, Riry Sri Ningsih *3 # Student of Mathematics Department State University of Padang, Indonesia
Lebih terperinciBAB 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 terperinciPERBANDINGAN ANALISIS VARIANSI DENGAN ANALISIS KOVARIANSI DALAM RANCANGAN PETAK-PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK DENGAN DATA HILANG
PERBANDINGAN ANALISIS VARIANSI DENGAN ANALISIS KOVARIANSI DALAM RANCANGAN PETAKPETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK DENGAN DATA HILANG Sri Wahyuningsih R 1, Anisa 2, Raupong ABSTRAK Analisis variansi
Lebih terperincikhazanah 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 terperincikhazanah 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 terperinciRANCANGAN KELOMPOK TAK LENGKAP SEIMBANG (Incomplete Block Design)
RANCANGAN KELOMPOK TAK LENGKAP SEIMBANG (Incomplete Block Design) Pendahuluan Rancangan percobaan seperti RBSL, RAKL, dan juga RAL sering mengalami kendala pada perlakuan dengan jumlah yang besar, karena
Lebih terperinciBAB 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 terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB 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 terperinciMETODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL. Staf Pengajar Program Studi Statistika FMIPA UNDIP
Optimalisasi Produ (Triastuti Wuryandari) METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL Triastuti Wuryandari 1, Tati Widiharih 2, Sayeti Dewi Anggraini 3 1,2 Staf Pengajar Program Studi
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciRancangan Kelompok Tak Lengkap Seimbang (RKTLS) atau Balanced Incompleted Block Design (BIBD) Arum H. Primandari
Rancangan Kelompok Tak Lengkap Seimbang (RKTLS) atau Balanced Incompleted Block Design (BIBD) Arum H. Primandari Pendahuluan Rancangan percobaan seperti RBSL, RAKL, dan juga RAL sering mengalami kendala
Lebih terperinciLAMPIRAN. Lampiran 1. Proses Pendugaan Galat pada RBSL dengan Satu Data Hilang 16 = 34,3125
LAMPIRAN Lampiran 1. Proses Pendugaan Galat pada RBSL dengan Satu Data Hilang μμ yy = YY = 59 =,125 μμ xx = XX = 51 =,1875 γγ = JJJJJJJJ xxxx JJJJJJ xx = 15,25 177 = 1,1712688 aa ii = (YY ii.. YY ) γγ
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPercobaan Faktor Tunggal (RAL, RAKL, RBSL)
Percoaan Faktor Tunggal RAL, RAKL, RBSL Faktor Tunggal Dalam RAKL Rancangan Acak Kelompok Lengkap Karakterstk Rancangan Perlakuan yang dcoakan merupakan taraftaraf dar satu faktor tertentu Faktor-faktor
Lebih terperinciPercobaan Rancangan Petak Terbagi dalam RAKL
Percobaan Rancangan Petak Terbagi dalam RAKL Kuliah 12 Perancangan Percobaan (STK 222) rahmaanisa@apps.ipb.ac.id Review Kapan rancangan split-plot digunakan? Apakah perbedaan split-plot dibandingkan dengan
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciModel Regresi Berganda
REGREI DAN KORELAI LINEAR BERGANDA Materi:. Konsep Analisis Regresi Berganda. Penduga Koefisien Regresi 3. Model regresi dengan dua variael eas 4. Contoh Kasus 5. Koefisien Determinasi dan koefisien korelasi
Lebih terperinciUsulan Level Faktor Variasi Bahan untuk Mencapai Kuat Tekan Beton 50 Mpa dengan Metode Perancangan Eksperimen *
Rea Integra ISSN: 338-508 Teni Industri Itenas No. Vol. 0 Jurnal Online Institut Tenologi Nasional Otober 03 Usulan Level Fator Variasi Bahan untu Mencapai Kuat Tean Beton 50 Mpa dengan Metode Perancangan
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPENDUGAAN DATA HILANG PADA RANCANGAN ACAK KELOMPOK LENGKAP DENGAN ANALISIS KOVARIAN
PENDUGAAN DATA HILANG PADA RANCANGAN ACAK KELOMPOK LENGKAP DENGAN ANALISIS KOVARIAN SKRIPSI Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Statistika FSM UNDIP Oleh
Lebih terperinciBAB 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( 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 terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciVARIASI 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 terperinciBab V. Rancangan Bujur Sangkar Latin
Bab V. Rancangan Bujur Sangkar Latin Rancangan yang mengelompokkan perlakuan perlakuannya dlm cara yaitu berdasarkan baris dan kolom. Jumlah ulangan harus sama dengan jumlah perlakuan Merupakan keterbatasan
Lebih terperinciBAB 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 terperinciBAB 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 terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciPERENCANAAN (planning) suatu percobaan untuk memperoleh INFORMASI YANG RELEVAN dengan TUJUAN dari penelitian
1 2 PERENCANAAN (planning) suatu percobaan untuk memperoleh INFORMASI YANG RELEVAN dengan TUJUAN dari penelitian MENGAPA PERLU DIRANCANG? Untuk mendapatkan penduga yang tidak berbias Untuk meningkatkan
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciPerancangan Percobaan
Perancangan Percobaan Rancangan lingkungan: Rancangan Acak Lengkap (RAL), (RAK) dan Rancangan Bujur Sangkar Latin (RBSL), Lattice. Ade Setiawan 009 RAL Ade Setiawan 009 Latar Belakang RAK 3 Perlakuan Sama
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciRancangan Petak Terpisah dalam RAL
Rancangan Petak Terpisah dalam RAL KULIAH 11 PERANCANGAN PERCOBAAN (STK222) rahmaanisa@apps.ipb.ac.id Latar Belakang Sejarah : Rancangan ini awalnya berkembang pada bidang pertanian (Montgomery, 1997;
Lebih terperinciSISTEM 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 terperinciPENGENDALIAN VARIABEL PENGGANGGU / CONFOUNDING DENGAN ANALISIS KOVARIANS Oleh : Atik Mawarni
PENGENDALIAN VARIABEL PENGGANGGU / CONFOUNDING DENGAN ANALISIS KOVARIANS Oleh : Atik Mawarni Pendahuluan Dalam seluruh langkah penelitian, seorang peneliti perlu menjaga sebaik-baiknya agar hubungan yang
Lebih terperinciAplikasi 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 terperinciKORELASI 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciUji 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 terperinciANALISIS POLINOMIAL ORTOGONAL BERDERAJAT TIGA PADA RANCANGAN ACAK LENGKAP
ANALISIS POLINOMIAL ORTOGONAL BERDERAJAT TIGA PADA RANCANGAN ACAK LENGKAP Muhammad Nursalam B 1, Anisa 2, Nasrah Sirajang 3 Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin Muhammad.nursalam.b@gmail.com
Lebih terperinciUniversitas Tanjungpura Jalan Prof. Dr. Hadari Nawawi, Pontianak, Indonesia * Abstrak
POSITRON, Vol. VII, No. (7), Hal. 4 47 ISSN: 3-497 (print) ISSN: 549-936X (online) Model Sederana Gera Osilator dengan Massa Berua Teradap Watu Menggunaan Metode Runge Kutta Yulia Acu a, Boni Palanop Lapanporo
Lebih terperinciPerancangan Percobaan
Perancangan Percobaan Ade Setiawan 009 Review RAL: Satuan percobaan homogen Keragaman Respons disebabkan pengaruh perlakuan RAK: Satuan percobaan heterogen Keragaman Respons disebabkan pengaruh Perlakuan
Lebih terperinciISSN: 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 terperinciBab II. Rancangan Acak Lengkap (RAL) Completed randomized design (CRD)
Bab II. Rancangan Acak Lengkap (RAL) Completed randomized design (CRD) Rancangan yang paling sederhana Paling murah Pelaksanaan percobaan paling mudah Keabsahan kesimpulan paling rendah Untuk bahan atau
Lebih terperinciSISTEM 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 terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciStudi Perbandingan Perpindahan Panas Menggunakan Metode Beda Hingga dan Crank-Nicholson
1 Studi Perbandingan Perpindahan Panas Menggunaan Metode Beda Hingga dan Cran-Nicholson Durmin, Drs. Luman Hanafi, M.Sc Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Institut Tenologi
Lebih terperinciSTK511 Analisis Statistika. Pertemuan 7 ANOVA (1)
STK511 Analisis Statistika Pertemuan 7 ANOVA (1) Metode Pengumpulan Data Metode Percobaan Memiliki keleluasaan untuk melakukan pengawasaan terhadap sumber-sumber keragaman data Dapat menciptakan jenis
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP SEIMBANG PARSIAL (RAKTLSP) ABSTRACT
ISSN: 339-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 77-86 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian RANCANGAN ACAK KELOMPOK TAK LENGKAP SEIMBANG PARSIAL (RAKTLSP) Gustriza
Lebih terperinciKORELASI 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 terperinciY = + 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 terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciUkuran Pemusatan Data
Uuran Pemusatan Data Atina Ahdia, S.Si., M.Si. Universitas Islam Indonesia Uuran Pemusatan Data 1. Mean (rata-rata) 2. Median (nilai tengah) 3. Modus Mean 1. Rata-rata Hitung Misalan terdapat N observasi,
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciPENGARUH 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 terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciAPLIKASI 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 terperinciIII. 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 terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciPerbandingan Analisis Lendutan Pelat dengan Menggunakan Metode Beam on Elastic Foundation (BoEF) dan Finite Element Method (FEM)
94 JURNAL ILMIAH SEMESTA TENIA Vol. 4, No., 94-, Mei Perandingan Analisis Lendutan Pelat dengan Menggunaan Metode Beam on Elastic oundation (BoE) dan inite Element Method (EM) (Comparatie Analysis of Deflection
Lebih terperinci3. 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 terperinciAplikasi 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 terperinciMUSIK 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 terperinciSATUAN 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 terperinciBAB 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 terperinciPercobaan Dua Faktor: Percobaan Faktorial. Arum Handini Primandari, M.Sc.
Percobaan Dua Faktor: Percobaan Faktorial Arum Handini Primandari, M.Sc. Pendahuluan Dalam berbagai bidang penerapan perancangan percobaan diketahui bahwa respon dari individu merupakan akibat dari berbagai
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinci