Estimasi Parameter Distribusi Eksponensial yang Dipangkatkan dan Distribusi Campuran Eksponensial untuk Data Masa Hidup
|
|
- Hendri Iskandar
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Estimasi Parameter Distribusi Ekspoesial yag Dipagkatka da Distribusi Campura Ekspoesial utuk Data Masa Hidup Imas Sukarsih 1, a), Asep Solih Awalluddi 2, b) 3, c), da Elis Rata Wula 1, 2, 3 Jurusa Matematika, Fakultas Sais da Tekologi, UIN Sua Guug Djati Jl. A. H Nasutio No. 105 Badug a) imas.sukarsihmath@gmail.com b) aasolih@gmail.com c) elisrwula@yahoo.com Abstrak Tulisa ii membahas tetag estimasi parameter distribusi ekspoesial yag dipagkatka da distribusi campura ekspoesial. Distribusi ekspoesial yag dipagkatka merupaka perluasa dari distribusi ekspoesial stadar yag fugsiya diambil dari fugsi distribusi kumulatif yag kemudia dipagkatka. Distribusi laiya adalah distribusi campura ekspoesial, distribusi campura ekspoesial merupaka kombiasi liier dari dua atau lebih distribusi ekspoesial stadar yag bobot da parameterya berbeda. Estimasi parameter dari distribusi ekspoesial yag dipagkatka da distribusi campura ekspoesial secara aalitis dituruka melalui metode maksimum likelihood, sehigga diperoleh hasil estimasi utuk masig-masig parameter kedua distribusi tersebut. Estimasi distribusi ekspoesial yag dipagkatka pada data masa hidup pedigi pesawat dilakuka dega megguaka metode Newto Raphso. Dari hasil estimasi tersebut selajutya dilakuka aalisis keadala utuk data masa hidup. Kata kuci: Distribusi Ekspoesial yag Dipagkatka, Distribusi Campura Ekspoesial, Estimasi Maksimum Likelihood, Reliabilitas, Metode Newto raphso Pedahulua Perkembaga ilmu pegetahua da tekologi saat ii berlagsug sagat pesat, hal ii medorog mausia utuk terus berupaya memafaatka kemajua tekologi tersebut yag diataraya diwujudka melalui peelitia-peelitia. Peelitia yag dilakuka dapat berupa peelitia yag bertujua utuk meemuka da meyelesaika masalah-masalah baru, megembagka pegetahua yag sudah ada maupu peelitia dalam meguji kebeara suatu pegetahua. Dalam bidag matematika, statistika yag sudah berkembag begitu jauh dega adaya peemua berbagai alat aalisis utuk berbagai keperlua estimasi, pegujia da metode peramala. Selai itu, statistica juga berpera aktif utuk meagai masalah keadala terhadap suatu idividu atau kompoe[5]. Reliabilitas atau keadala merupaka aalisis statistik yag membahas tetag daya taha hidup suatu beda atau idividu dalam keadaa operasioal tertetu. Peerapa dari aalisis ii bayak dilakuka dibidag kedoktera berkaita dega pemodela ketahaa hidup pederita peyakit tertetu da dibidag produksi yag berkaita dega pemodela tetag ketahaa hidup beda-beda produksi.[6] Distribusi yag diguaka dalam tulisa ii adalah distribusi ekspoesial. Namu, dega berjalaya waktu bayak masalah yag tidak bisa diselesaika dega distribusi yag sudah ada, sehigga perluasa dari berbagai distribusi telah bayak dikaji oleh para ahli. Perluasa dari berbagai distribusi tersebut merupaka alterative lai dalam peyelesaia masalah pada aalisis data masa hidup. Salah satu perluasa dari distribusi tersebut adalah distribusi ekspoesial yag disebut dega 1
2 distribusi ekspoesial yag dipagkatka.[3] Alteratif betuk distribusi laiya adalah distribusi campura ekspoesial. Distribusi campura ekspoesial merupaka kombiasi liear dari dua atau lebih distribusi ekspoesial dega bobot da parameter yag berbeda. Distribusi ekspoesial yag dipagkatka da distribusi campura ekspoesial dapat diguaka utuk megaalisis keadala atau reliabilitas dari data masa hidup suatu beda atau idividu yag peaksir parameterya ditetuka dega megguaka metode maksimum likelihood. Selai itu, dilakuka juga pecaria ilai parameter dari distribusi ekspoesial yag dipagkatka dega megguaka metode Newto Raphso yag kemudia dilakuka aalisis keadala utuk data masa hidup pedigi pesawat. Bagia pertama dalam tulisa ii membahas megeai motivasi dari pembahasa yag aka dilakuka, selajutya teori dasar, hasil da pembahasa, perhituga umerik sebagai cotoh perhituga estimasi. Kosep Dasar Peluag 1. Fugsi Distribusi Kumulatif Fugsi distribusi kumulatif atau Cumulative Distributio Fuctio (CDF) adalah fugsi yag mejumlahka ilai kemugkia sampai suatu kejadia tertetu. Atau dituliska dega P(X x i ).[5] Fugsi distribusi kumulatif F(x)dari suatu peubah acak kotiu X dega fugsi padat peluag f(x)adalah: [10] x F(x) = P(X x) = f(x) dxutuk < x < 2. Reliabilitas (Keadala) Aalisis data uji hidup atau reliabilitas (keadala) merupakaa alisis statistik yag membahas tetag daya taha hidup suatu beda atau idividu dalam keadaa operasioal tertetu. Peerapa aalisis ii biasaya bayak dilakuka dibidag kedoktera berkaita dega pemodela ketahaa hidup pederita peyakit tertetu da dibidag produksi berkaita dega pemodela tetag ketahaa hidup beda-beda produksi.[7] Reliabilitas dari sebuah sistem dapat diperoleh dega megguaka persamaa berikut: [3] t 0 R(t) = 1 F(t) = 1 f(t)dt, (2.1) Aalisis uji reliabilitas dapat dilakuaka dega meetuka tigkat kegagala yag disebut dega hazard rate yag merupaka ukura laju kegagala pada waktu tertetu. Hazard rate merupaka probabilitas bersyarat suatu kompoe gagal dalam waktu iterval terkecil yag didefiisika dega: h(t) = f(t) = 1 dr(t), R(t) R(t) dt (2.2) Kumulatif hazard rate diotasika dega H(t). Fugsi ii secara umum diguaka utuk meghitug rata-rata tigkat kegagala. Formulasi utuk mecari rata-rata kumulatif hazard rate diyataka dega: [3] t H(t) = f(u)du = Ι R(t), (2.3) 3. Estimasi Maksimum Likelihood Estimasi maksimum likelihood atau Maximum Likelihood Estimatio(MLE) merupaka salah satu pedekata yag petig dalam sebuah statistika iferesi. Metode terbaik yag dapat diguaka dalam meetuka peaksir titik sebuah parameter. Misalka x 1, x 2,, x merupaka sebuah sampel acak berukura, fugsi likelihood dari sampel acak itu adalah : L(θ) = f(x 1, θ) f(x 2, θ)f(x 3, θ) f(x, θ), (2.4) 2
3 Fugsi desitas bersama f(x 1, x 2,, x ; θ) dari variabel-variabel acak X 1, X 2,, X adalah distribusi gabuga dari peubah acak. Ii serig disebut sebagai fugsi likelihood. Utuk x 1, x 2,, x, fugsi likelihood merupaka fugsi dari θ da aka diotasika dega L(θ), yaki L(θ) = f(x1,, x; θ). Jika X 1, X 2,, X adalah sampel acak dari f(x, θ) maka: [10] L(θ) = t=1 f(x i, θ), (2.5) 4. Distribusi Campura Distribusicampura(mixture distributio)pertama kali dikealkaoleh Karl Pearso padaawaltahu 1890-a. Distribusi campura merupaka kombiasi liier dari dua atau lebih fugsi desitas peluag. Fugsi desitas campura berhigga dapat ditulis:[8] k f(x, θ) = i=1 p i f i (x, θ i ) ; (x S), (2.6) 5. Metode Newto Raphso Metode Newto Raphso atau metode Newto adalah salah satu metode pedekata yag megguaka satu titik awal da medekatiya dega memperhatika slope atau gradie pada titik tersebut. Berikut persamaa yag diguaka utuk mecari titik pedekata ke i + 1yag dituliska dega: x i+1 = x i + f(x i) dega f (x f (x i ) i ) 0, (2.7) Metode Newto Raphso ii tidak dapat diguaka ketika titik pedekataya berada pada titik ekstrim atau titik pucak, karea pada titik ii ilai f (x i ) = 0 sehigga ilai peyebut dari f(x i ) sama f (x i ) dega ol. [7] Hasil da Diskusi 1. Estimasi Parameter Distribusi Ekspoesial yag Dipagkatka Distribusi ekspoesial yag dipagkatka merupaka perluasa dari distribusi ekspoesial dega fugsi distribusi F(x) = 1 e βx, dega parameter β > 0. Distribusi ekspoesial yag dipagkatka pertama kali diperkealka oleh Guptu da Kudu [2]. Distribusi ekspoesial yag dipagkatka ii diambil dari salah satu fugsi kumulatif yag diguaka pada pertegaha abad 19 oleh Gomvertz da Verhulst utuk membadigka tabel kematia da meghasilka laju pertumbuha peduduk. Betuk distribusi ekspoesial yag dipagkatka adalah sebagai berikut : G(x) = (1 e βx ) α, (3.1) dimaa x > 0,β > 0, da α> 0, dega fugsi padat peluagya adalah:[4] g(x) = αβe βx (1 e βx ) α 1, (3.2) Fugsi Reliabilitas dari distribusi ekspoesial yag dipagkatka diperoleh berdasarka pada persamaa (2.1), yaitu: R(x) = 1 [(1 e βx ) α ], (3.3) Hazard rate atau tigkat kegagala diperoleh berdasarka persamaa(2.2), yaitu: h(x) = αβe βx (1 e βx ) α 1 1 [(1 e βx ) α, (3.4) ] utuk meghitug rata-rata tigkat kegagala atau kumulatif hazard rate berdasarka persamaa (2.3), yaitu: H(x) = I[1 (1 e βx ) α ], (3.5) Berdasarka pada persamaa (2.5) diperoleh persamaa likelihood sebagai berikut: L(α, β) = α β e β i=1 x i t=1 (1 e βx i) α 1, (3.6) 3
4 Log-likelihoodya adalah: l(α, β) = Iα + Iβ β i=1 x i + [(α 1) i=1 I(1 e βx i) ], (3.7) diperoleh α da β sebagai berikut : α =, i=1 I[1 e i] (3.8) β = 1, i=1 x i (α 1) i=1 1 e β x (x i e β x i) i (3.9) 2. Estimasi Parameter Distribusi Campura Ekspoesial Distribusi campura ekspoesial merupaka kombiasi liier dari dua atau lebih distribusi ekspoesial dega bobot da parameter yag berbeda. Distribusi campura ekspoesial terdiri dari jumlah kompoe terbatas da tidak terbatas. Dalam kajia ii, haya aka membahas tetag distribusi campura ekspoesial dega jumlah kompoe terbatas, dimaa distribusi campura ekspoesialya terbatas pada dua kompoe (k = 2), yaitu i = 1,2. Oleh karea itu, terdapat dua proporsi campura p 1 da p 2, serta dua parameter skala β 1 da β 2. Fugsi padat peluag distribusi campura ekspoesial sebayak k kompoe adalah: k f(x, θ) = p i β i e β ix i=1, (3.10) Fugsi padat peluag utuk distribusi campura ekspoesial dega dua kompoediperolehdaripersamaa (3.10) sebagai berikut: f(x, θ) = p 1 [β 1 e β 1x ] + p 2 [β 2 e β 2x ], (3.11) Fugsi distribusi kumulatif atau Cumulative Distributio Fuctio (CDF) distribusi campura ekspoesial sebayak dua kompoe kompoe adalah: F(x, θ) = p 1 (1 e β 1x ) + p 2 (1 e β 2x ), (3.12) Fugsi reliabilitas dari distribusi campura ekspoesial dega dua kompoe utuk megaalisis reliabilitas atau keadala sampai terjadiya suatu kegagala adalah: R(x, θ) = 1 [p 1 (1 e β 1x ) + p 2 (1 e β 2x )] (3.13) Hazard rate atau tigkat kegagala da kumulatif hazard rateya sebagai berikut: h(x, θ) = p 1[β 1 e β 1x ]+p 2 [β 2 e β 2x ] 1 [p 1 (1 e β 1x )+p 2 (1 e β 2x )], (3.14) H(x, θ) = I [1 [p 1 (1 e β 1x ) + p 2 (1 e β 2x )]] (3.15) Estimasi parameter dari distribusi campura ekspoesialdegak kompoe, dimaa r adalah satua yag gagal selama (0, x r ), r 1 satua pertama dari sub-populasi da r 2 satua kedua dimaa r = r 1 + r 2. r adalah satua yag tidak dapat diidetifikasi sebagai sub-populasi. Sedagka utuk i = 1,2; j = 1,, r i da x ij meujukka waktu kegagala dari satua yag termasuk dalam sub-populasi sepajag i da x ij x 0. Maka dega megguaka metode maksimum Likelihood diperoleh:[1] r i 2 (θ, x) = p i β i e β ix ij [R(x r, θ)] r i=1 = p 1 r 1 β 1 r 1 p 2 r 2 β 2 r 2 (e β 1x 1j r1 r2 β 2 x 2j ) [R(x r, θ)] r (3.16) Log-likelihood distribusi campura ekspoesial dega dua kompoediperolehdaripersamaa (3.16), yaitu: 4
5 (θ, x) = IL(θ, x) = r 1 Ip 1 + r 1 Iβ 1 + r 2 Ip 2 + r 2 Iβ 2 β 1 x 1j β 2 x 2j + r 1 r 2 ( r)i[r(x r, θ)] r, (3.17) Utuk memperoleh p 1, p 2, β 1 da β 2 dilakuka peurua terhadap masig-masig parameter dega meuruka persamaa (3.17) terhadap masig-masig parameter sama dega ol, dega R(x r, θ) = 1 [p 1 (1 e β 1x r ) + p 2 (1 e β 2x r )]da= r, diperoleh : p 1 = r 1, (3.18) p 2 = 1 r 1 β 1 = r 1 r1 x 1j β 2 = r 2 r2 x 2j (3.19) (3.20) (3.21) 3. Perhituga Numerik a. Data Masa Hidup Data yag diguakapadadistribusi ekspoesial yag berupa data sekuder, dimaadatayaberupadata masa hidup pedigi pesawat.[2] Metode umerik diguaka utuk meyelesaika suatu persoala dimaa perhituga secara aalitis tidak dapat diguaka. Metode umerik disajika dalam betuk algoritma yag dapat dihitug secara mudah da cepat. Megigat bahwa algoritma yag dikembagka dalam metode umerik adalah algoritma pedekata, maka dalam algoritma tersebut aka mucul istilah iterasi yaitu pegulaga proses perhituga. Dega kata lai perhituga dalam metode umerik adalah perhituga yag dilakuka secara berulag-ulag utuk terus meerus diperoleh hasil yag semaki medekati ilai eksak. [7] Peaksira parameter distribusi dari fugsi likelihood distribusi ekspoesial yag dipagkatkapada data masa hidup pedigi pesawat dega megguaka algoritma Newto Raphso, diperoleh hasil β = da α = b. Aalisis Reliabilitas Distribusi Ekspoesial yag Dipagakatka utuk Data Masa Hidup Reliabilitas secara umum berkaita dega ketahaa produk, yag berartibahwa peluag suatu pedigi pesawat aka melaksaaka fugsiya dalam periode waktu tertetu di bawah kodisi yag diberika. Oleh karea itu, pedigi pesawat dikataka megalami kegagala jika pedigi pesawat tersebut berheti melakuka fugsiya atau tidak bisa diguaka lagi dalam. Utuk megetahui reliabilitas atau keadala dari pedigi pesawat tersebut, dilakuka dega mesubstitusika ilai parameter yag telah diperoleh pada tahap estimasi, yaitu β = da α = pada persamaa (3.9), maka diperoleh fugsi reliabilitas distribusi sebagai berikut: R(x) = 1 [(1 e x ) ], (3.22) Berdasarka persamaa (3.22) di atas, diperoleh betuk grafik fugsi reliabilitas sebagai berikut: 5
6 R(x) x Gambar 3.1 Grafik fugsi reliabilitas distribusi ekspoesial yag dipagatka utuk data masa hidup pedigi pesawat Gambar 3.1 meujukka bahwa reliabilitas atau keadala dari pedigi pesawat aka melaksaaka fugsi yag diharapka utuk periode waktu yag lama dega ilai taha hidup yag semaki kecil.hazard rate atau tigkat kegagala diperoleh dega mesubstitusika ilai parameter β = da α = pada persamaa (3.4), sehigga: h(x) = ( )( )e x (1 e x ) [(1 e x ) , (3.23) ] Berdasarka persamaa (3.23) di atas dapat diketahui grafik hazard rate seperti berikut: h(x) x Gambar 3.2 Grafik hazard rate atau tigkat kegagala distribusi ekspoesial yag dipagkatka utuk data masa hidup pedigi pesawat. Berdasarka Gambar 3.2, terlihat bahwa hazard rate atau tigkat kegagala merupaka fugsi yag semaki meigkat utuk waktu yag semaki lama da pada saat-saat tertetu megalami kekostaa yag kemudia semaki meigkat. Tigkat kegagala utuk pedigi pesawat semaki meigkat sampai pedigi pesawat tidak dapat berfugsi lagi. Kumulatif tigkat kegagala (hazard rate cumulative) diperoleh dega mesubstitusika ilai parameter β = da α = pada persamaa (3.5), sehigga: H(x) = I[1 (1 e x ) ] (3.24) Grafik kumulatif tigkat kegagala dari persamaa (3.24) seperti berikut : 6
7 H(x) Gambar 3.3 Grafik kumulatif tigkat kegagala distribusi ekspoesial yag dipagkatka utuk data masa hidup pedigi pesawat. Gambar 4.3 meujukka bahwa kumulatif tigkat kegagala distribusi ekspoesial yag dipagkatka utuk data masa hidup pedigi pesawat merupaka fugsi yag semaki meigkat utuk waktu yag semaki lama. Kesimpula Berdasarka pembahasa di atas, diperole kesimpula sebagai berikut: 1. Estimasi parameter dari distribusi ekspoesial yag dipagkatka da distribusi campura ekspoesial dega megguaka estimasi maksimum Likelihood. a. Distribusi ekspoesial yag dipagkatka secara aalisis adalah: da α = i=1 I [1 e β x i] β = 1 i=1 x i (α 1) i=1 (x 1 e β x i e β x i) i Estimasi parameter distribusi ekspoesial yag dipagkatka secara umerik telah diperoleh dega megguaka metode Newto Raphso pada Matlab R2010a utuk kasus data masa hidup pedigi pesawat, yaitu β = da α = a) Distribusi ekspoesial campura haya secara aalisis, yaitu: Dua proporsi da Dua parameter skala da x p 1 = r 1 p 2 = 1 r 1 β 1 = β 2 = r 1 r 1 x 1j r 2 r 2 x 2j 2. Cotoh perhituga umerik estimasi parameter distribusi ekspoesial yag dipegkatka diperoleh ilai estimasiβ = daα = , artiya bahwa reliabilitas atau keadala dari pedigi pesawat aka melaksaaka fugsi yag diharapka utuk periode waktu yag lama 7
8 dega ilai taha hidup yag semaki kecil. Hazard rate atau tigkat kegagala merupaka fugsi yag semaki meigkat utuk waktu yag lama da pada saat-saat tertetucederugkostayag kemudia semaki meigkat. Da kumulatif tigkat kegagala distribusi ekspoesial yag dipagkatka utuk data masa hidup pedigi pesawat merupaka fugsi yag semaki meigkat utuk waktu yag semaki lama. Referesi [1] Al-Husaii, Assam K., da Mohamed Hussei, Estimatio uder a fiite mixture of expoetiated expoetial compoets model ad balaced square error loss, Joural of Statistics, 28-38, [2] Guptu, Rameshwar D., Kudu Debasis, Closeess of gamma ad geeralized expoetial distributio, Comm. Statist.- Theory Methods, , 1999 [3] Kecaa, Ami Garmi, Estimasi Parameter Distribusi Weibull yag Diperluas utuk Data Masa Hidup, Skripsi, Jurusa Matematika, Fakultas Sais da Tekologi, Uiversitas Islam Negeri Sua Guug Djati, Badug: [4] Kudu da Gupta, Expoetiated Expoetial Family : A Alterative To Gamma ad Weibull Distributio, Biometrical Joural, , 2001 [5] repositori.use.ad.id/bitstream/ /27694/4/chapter%20i (Diakses pada taggal 9 mei 2012, pukul 08:12) [6] Saifudi, Toha, Pedekata Terbaikdiataradistribusipareto, paretotergeeralisirdamixture paretodalampemodelareliabilitas,jural Ilmu Dasar, 7(2) : , [7] Satiyasa, I Waya, Algoritma Newto Raphso dega fugsi o liear, Program Studi Tekik Iformatika, Jurusa Ilmu Komputer, Fakultas Matematika da Ilmu Pegetahua Alam, Uiversitas Udayaa. [8] (Diakses pada taggal 10 November 2012, pukul 01:28) [9] Solih, A. Asep Estimasi Parameter Distribusi Campura Weibull Berhigga dega Algoritma EM, Tesis, Program Studi Matematika, ITB, Badug: [10] Walpole, Roald E. da Raymod H.Myers, Ilmu Peluag da Statistika utuk Isyiyur da Ilmuwaedisi 4, Terjemah, Peerbit ITB, Badug:
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBAB 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 terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciBAB 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 terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciBAB I PENDAHULUAN. Integral adalah salah satu konsep penting dalam Matematika yang
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Itegral adalah salah satu kosep petig dalam Matematika yag dikemukaka pertama kali oleh Isac Newto da Gottfried Wilhelm Leibiz pada akhir abad ke-17. Selajutya
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciDistribusi Sampel, Likelihood dan Penaksir
BAB 1 Distribusi Sampel, Likelihood da Peaksir 1.1 Sampel Acak Misalka X 1, X 2,..., X sampel acak berukura (radom sample of size ). Fugsi peluag -variat ya adalah f X1,X 2,,X (x 1, x 2,..., x ) = f Xi
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciDISTRIBUSI KHUSUS YANG DIKENAL
0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi
Lebih terperinciMENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinci9 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 terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB 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 terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciBab 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 terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK. Sutikno
sutiko PENGARUH VARIASI PELUANG CROSSOVER DAN MUTASI DALAM ALGORITMA GENETIKA UNTUK MENYELESAIKAN MASALAH KNAPSACK Sutiko Program Studi Tekik Iformatika Fakultas Sais da Matematika UNDIP tik@udip.ac.id
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBAB 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 terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciIV. 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciMata 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 terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciAji Wiratama, Yuni Yulida, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Jl. Jend. A. Yani km 36 Banjarbaru
Jural Matematika Muri da Terapa εpsilo Vol.8 No.2 (24) Hal. 39-45 APLIKASI METODE DEKOMPOSISI ADOMIAN UNTUK MENENTUKAN FORMULA TRANSFORMASI LAPLACE Aji Wiratama, Yui Yulida, Thresye Program Studi Matematika
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Subjek Peelitia Peelitia ii dilaksaaka di kawasa huta magrove, yag berada pada muara sugai Opak di Dusu Baros, Kecamata Kretek, Kabupate Batul. Populasi dalam peelitia ii adalah
Lebih terperinciBAB 3 METODE PENELITIAN
Sedagka itegrasi ruas kaa utuk ersamaa (3b) diperoleh ds / = S... (36) Dega demikia pesamaa yag harus dipecahka adalah l 1 1 u u = S (37) Dari ersamaa (37) diperoleh persamaa utuk u u S = exp S 1exp S...
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakag Permasalaha Matematika merupaka Quee ad servat of sciece (ratu da pelaya ilmu pegetahua). Matematika dikataka sebagai ratu karea pada perkembagaya tidak tergatug pada
Lebih terperinciPENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT
Buleti Ilmiah Math. Stat. da Terapaya (Bimaster) Volume 02, No. 1(2013), hal 1-6. PENYELESAIAN PERSAMAAN GELOMBANG DENGAN METODE D ALEMBERT Demag, Helmi, Evi Noviai INTISARI Permasalaha di bidag tekik
Lebih terperinciAPLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG
APLIKASI GOODNESS OF-FIT TEST KOLMOGOROV- SMIRNOV (K-S) UNTUK PENGUJIAN WAKTU TUNGGU KECELAKAAN PESAWAT TERBANG Jurusa Matematika, Fakultas Matematika da Ilmu Pegetahua Alam, Uiversitas Negeri Semarag
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciKompleksitas dari Algoritma-Algoritma untuk Menghitung Bilangan Fibonacci
Kompleksitas dari Algoritma-Algoritma utuk Meghitug Bilaga Fiboacci Gregorius Roy Kaluge NIM : 358 Program Studi Tekik Iformatika, Istitut Tekologi Badug Jala Gaesha, Badug e-mail: if8@studets.if.itb.ac.id,
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciPENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI
Halama Tulisa Jural (Judul da Abstraksi) Jural Paradigma Ekoomika Vol.1, No.5 April 2012 PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Oleh : Imelia.,SE.MSi Dose Jurusa Ilmu Ekoomi da Studi Pembagua,
Lebih terperinciPETA 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 terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciIII. 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 terperinciBAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit
BAB III METODE PENELITIAN 3.1 Objek Peelitia Objek peelitia merupaka sasara utuk medapatka suatu data. Jadi, objek peelitia yag peulis lakuka adalah Beba Operasioal susu da Profit Margi (margi laba usaha).
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, , Agustus 2003, ISSN : METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT
Vol. 6. No., 97-09, Agustus 003, ISSN : 40-858 METODE PENENTUAN BENTUK PERSAMAAN RUANG KEADAAN WAKTU DISKRIT Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak Tulisa ii membahas peetua persamaa ruag
Lebih terperinciJENIS 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 terperinciHUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN
Jural Matematika UNAND Vol. 2 No. 2 Hal. 0 6 ISSN : 2303 290 c Jurusa Matematika FMIPA UNAND HUBUNGAN ANTARA KONVERGEN HAMPIR PASTI, KONVERGEN DALAM PELUANG, DAN KONVERGEN DALAM SEBARAN VIRA AGUSTA, DODI
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciIII. 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 terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 20 Bandar Lampung, dengan populasi
5 III. METODE PENELITIAN A. Populasi da Sampel Peelitia ii dilaksaaka di SMPN 0 Badar Lampug, dega populasi seluruh siswa kelas VII. Bayak kelas VII disekolah tersebut ada 7 kelas, da setiap kelas memiliki
Lebih terperinciPedahulua 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB III METODE PENELITIAN
6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag
Lebih terperinciESTIMASI. (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 terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciIV 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 terperinciIII. METODE PENELITIAN. kelas VIII semester ganjil SMP Sejahtera I Bandar Lampung tahun pelajaran 2010/2011
III. METODE PENELITIAN A. Latar Peelitia Peelitia ii merupaka peelitia yag megguaka total sampel yaitu seluruh siswa kelas VIII semester gajil SMP Sejahtera I Badar Lampug tahu pelajara 2010/2011 dega
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciModul 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 terperinciBAB VIII KONSEP DASAR PROBABILITAS
BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada
Lebih terperinciMANAJEMEN 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 terperinciAPROKSIMASI NUMERIK BELAH DUA DAN NEWTON-RAPHSON PADA ESTIMASI PARAMETER DISTRIBUSI WEIBULL
APROKSIMASI NUMERIK BELAH DUA DAN NEWTON-RAPHSON PADA ESTIMASI PARAMETER DISTRIBUSI WEIBULL Idira P. Kiasih Jurusa Pedidika Matematika IKIP Mataram e-mail : idiraputeri@gmail.com ABSTRAK Distribusi masa
Lebih terperinciIV. METODE PENELITIAN. Penelitian ini dilakukan di Kawasan Pantai Anyer, Kabupaten Serang
IV. METODE PENELITIAN 4.1 Lokasi da Waktu Peelitia Peelitia ii dilakuka di Kawasa Patai Ayer, Kabupate Serag Provisi Bate. Lokasi ii dipilih secara segaja atau purposive karea Patai Ayer merupaka salah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinci