Peramalan Deret Waktu Multivariat Seasonal pada Data Pariwisata dengan Model Var-Gstar

Ukuran: px
Mulai penontonan dengan halaman:

Download "Peramalan Deret Waktu Multivariat Seasonal pada Data Pariwisata dengan Model Var-Gstar"

Transkripsi

1 Jural ILMU DASAR Vol. No., uar 2 : 9 Peramala Dere Waku Mulvara Seasoal pada Daa Parwsaa dega Model Var-Gsar Seasoal Mulvara Tme Seres Forecasg O Toursm Daa by Usg Var-Gsar Model Dhorva Urwaul Wusqa ) & Suharoo 2) ) Jurusa Maemaka, Uversas Neger Yogyakara, Yogyakara 2) Jurusa Saska, Isu Tekolog Sepuluh Nopember, Surabaya ABSTRACT Ths research eds o sudy a ew approach VAR-GSTAR (Vecor Auoregressve-Geeral Space-Tme Auoregressve) model for forecasg seasoal mulvarae me seres. The parameers of he model are esmaed by Leas Squares mehod. I hs research, we also derve he asympoc properes of he parameer esmaor, whch yeld he cossecy ad mulvarae ormal asympoes dsrbuo. Based o hose properes, we buld he procedure for fdg he bes model seasoal mulvarae me seres, ad he apply o he umber of foreg ourss Yogyakara ad Bal daa. The resul from VAR-GSTAR model s compared wh he resul from he sadard mulvarae me seres. The comparso resul demosraes ha he procedure of VARMA model ca o carry ou he seasoal lags o he order of he model. Ths problem ca be hadled by he VAR-GSTAR model. The erpreao of VAR-GSTAR model s more realsc ha ha of VARMA model,.e. he umber of foreg ourss Yogyakara depeds o ha Bal, bu o he oppose, whereas VARMA model yelds he oppose resul. Addoally, he resul of forecas accuracy comparso o oursm daa Yogyakara ad Bal shows ha VAR-GSTAR model gve beer forecas ha VARMA model. Keywords: VAR-GSTAR model, VARMA model, seasoal, oursm daa PENDAHULUAN Daa dere waku dalam beberapa sud emprk sergkal erdr dar pegamaa dar beberapa varabel, aau dkeal dega daa dere waku mulvara. Sebaga cooh, dalam sud eag suau pejuala, varabel-varabel yag mugk erlba adalah volume pejuala, harga, da baya kla. Uuk memodelka masalah yag melbaka daa dere waku mulvara dguaka model VARMA (Vecor Auoregressve Movg Average), yag merupaka perluasa dar model ARMA. Model mejelaska keerkaa aar pegamaa pada varabel ereu pada suau waku dega pegamaa pada varabel u sedr pada waku-waku sebelumya, da juga keerkaaya dega pegamaa pada varabel la pada wakuwaku sebelumya. Suau seres = [,,..., ], =, 2, m,,,2,3,... merupaka proses VARMA(p,q) jka sasoer da jka uuk seap, Φ ( B) = Θ ( B) a () p q dega {a } adalah barsa vekor yag whe ose dega mea ol da varas kosa. Φ ( B) da Θ ( B) beruru-uru p q adalah suau marks auoregressve da movg average polomal orde p da q. Model yag haya memua parameer auoregressve dsebu model Vecor Auoregressve order p aau VAR (p) da model dega parameer movg average dsebu model Vecor Movg Average order q aau VMA (q). Dalam aalss dere waku basa djumpa daa-daa yag dak sasoer. Model VARMA yag osasoer dapa dyaaka dalam beuk Φ ( BDB ) ( ) = Θ ( B )a p q (2) dega operaor dfferecg d d d 2 DB ( ) = dag(( B), ( B),..., ( B) m ) Secara umum prosedur uuk medapaka model erbak pada proses mulvara (model VARMA) megacu pada meode Box-Jeks (994). Kaja erapa pada daa fasal elah dlakuka oleh Tsay (25).

2 2 Peramala Dere Waku (Dhorva U. W. & Suharoo) Suau beuk khusus dar model VARMA adalah model yag meggabugka erdepedes waku da lokas yag dkeal dega model space-me auoregressve (STAR). Model dperkealka oleh Pfefer, & Deusch (98a & 98b). Peerapa model elah dlakuka oleh Gacom & Grager (24) d bdag ekoom, Kamaraaks & Prasacos (25) pada masalah rasporas da Kyryakds & Jourel (999) pada daa Geosask. Model yag lebh fleksbel sebaga geeralsas dar model STAR adalah model geeral space-me auoregressve (GSTAR). Berbeda dega model STAR, model GSTAR dak mesyaraka bahwa la-la parameer sama uuk semua lokas. Oleh karea u model GSTAR lebh realss, karea pada keyaaya lebh bayak demu model dega parameer model berbeda uuk lokas yag berbeda. Kaja eors berkaa dega sfa asmos dar parameer model GSTAR da peeua bobo aar lokas dberka oleh Lopuhaa & Borovkova (25) da Suharoo da Subaar (26 & 27). Nura (22) meerapka model GSTAR pada daa produks myak bum. Hasl perbadga model VARMA da GSTAR yag dlakuka oleh Suharoo (25) meujukka bahwa peramala dega model GSTAR lebh akura. Teap, pada proses pembeuka model dar seg eor maupu mplemeas dega pake program sask dperoleh bahwa model VARMA lebh fleksbel da sempura. Dar beberapa kaja yag elah dlakuka mash erbaas pada daa dere waku mulvara yag sasoer, eap belum melbaka pola musma aau seasoal. Beberapa cooh daa dere waku yag mempuya pola seasoal daaraya daa parwsaa (bayak wsaawa), daa hdrolog seper curah huja da deb ar, da daa peumpag pesawa. Uuk meaga daadaa yag megadug pola seasoal pada kasus dere waku mulvara dalam peela dkembagka suau prosedur uuk medapaka model dere waku mulvara dega pola seasoal. Model yag dkaj dalam peela adalah model yag dbagu dega pedekaa VAR-GSTAR (Vecor Auoregressve-Geeral Space-Tme Auoregressve). Model VAR-GSTAR merupaka model VAR dega skema respo predkor yag drepreseaska dalam skema pada model GSTAR. Dalam peela juga dbahas kaja erapa erhadap model VAR-GSTAR uuk medapaka suau model sask yag epa yag dapa mejelaska keerkaa aara bayak wsaawa macaegara yag daag ke Yogyakara da Bal. Hal megga bahwa Bal da Yogyakara merupaka dua koa d Idoesa yag sergkal mejad ujua uama para wsaawa aau urs macaegara, sehgga dmugkka ada keerkaa aara bayak wsaawa macaegara kedua koa ersebu. Model sask yag sesua uuk megeahu hubuga aara kods parwsaa kedua koa ersebu adalah model me seres mulvara. Karea daa parwsaa khususya jumlah wsaawa macaegara yag daag ke Yogyakara da Bal cederug mempuya pola seasoal, maka daa ersebu saga epa djadka sebaga sud kasus uuk aplkas model me seres mulvara yag megadug pola seasoal. METODE Peela erdr dar dua macam kegaa, yau kaja laju secara eors berkaa dega pembeuka model pada daa dere waku seasoal da kaja erapa berupa peerapa model yag dperoleh uuk medapaka suau model sask yag epa yag dapa mejelaska keerkaa aara jumlah wsaawa macaegara yag daag ke Yogyakara da Bal. Peela megguaka daa sekuder yau daa jumlah kujuga wsaawa macaegara yag daag ke Yogyakara da Bal, yag dapa daggap sebaga dkaor bak dakya kods keparwsaaa d kedua koa ersebu. Daa ersebu derbka oleh Bada Pusa Sask (BPS) Props Daerah Ismewa Yogyakara da Props Bal (BPS 26). Koa Yogyakara da Bal dplh sebaga subyek peela, dkareaka dua koa ersebu merupaka dua koa parwsaa erpeg d Idoesa sera dmugkka erjad erdepedes aara jumlah wsaawa kedua koa ersebu. Kaja eors berkaa dega model dere waku mulvara VAR-GSTAR yag mecakup esmas parameer model da sfa asmos dar peduga parameer. Prosedur uuk medapaka model dere waku mulvara yag megadug pola seasoal dbeuk melalu pedekaa model VAR-GSTAR dega baua pake program MINITAB, melalu ahapa-ahapa defkas, esmas parameer, dagosc check, sampa dega perhuga peramala. Hal dlakuka karea program yag erseda uuk model VARMA, yau PROC STATESPACE dak dapa meagkap pola seasoal. Hasl yag dperoleh dar model VAR-GSTAR dbadgka dega

3 Jural ILMU DASAR Vol. No., uar 2 : 9 3 hasl peramala yag dperoleh dar model baku uuk me seres mulvara HASIL DAN PEMBAHASAN Ada dua macam kaja uama yag elah dlakuka dalam peela. Kaja perama adalah kaja eors eag dsrbus asmos dar esmaor model VAR-GSTAR, da pembeuka prosedur baru uuk pemodela VAR-GSTAR pada daa dere waku mulvara yag seasoal. Kaja kedua adalah kaja emprs berkaa dega mplemeas prosedur yag dperkealka pada suau daa real, yau daa wsaawa macaegara yag daag ke Yogyakara da Bal. Pada baga, dlakuka pula perbadga keepaa ramala aara model VAR-GSTAR dega model VARMA. Model Var-Gsar uuk daa dere waku mulvara yag megadug pola Seasoal Model VAR-GSTAR merupaka model VAR dega represeas model GSSTAR. Model VAR(p) dberka oleh rumus berku, = Φ + L + Φ + a. (3) p p dega Φ adalah marks koefse berukura m x m da dega { a } IIDN(, Ω ) Uuk membawa model ersebu dalam represeas model GSTAR dperluka beberapa oas berku. Perama-ama dasumska erdapa sejumlah pegamaa. Beuk vekor respo Y = ( Y, Y,..., Y ) Y = ( Y 2 m, Y 2..., Y m), marks X = dag(x, X 2,, X m ), vekor parameer β = ( φ, φ..., φ ) da vekor 2 m resdual (error) a = ( a, a 2,..., a ), dega m ( ) ( ) ( ) ( ) φ = ( φ, K, φ,..., φ, K, φ m ), Y = X =,, m p, p,, p+, p+ 2 M,, L L L, p m, p, m, M O M O M O M L L L m, p m,,, p, a, p+ a, p+ 2 da a =. M a, Dega demka model VAR(p) dapa dyaaka dalam beuk model Y = Xβ + a (4) yag dalam peela dsebu sebaga model VAR-GSTAR. Esmas erhadap parameer model dlakuka dega meode Leas Squares, yau dega memmumka fugs E = Y βx ˆ Y βx) ˆ, ( ) ( yag meghaslka esmaor uuk β adalah ( ) ( ˆ ) β = XX XY (5) Khususya uuk vekor ( ) ( ) ( ) ( ) parameer φ = ( φ, K, φ,..., φ, K, φ ),,, m p, p, m =,,m ( ) ( ) ˆ φ = XX XY ι (6) Esmaor uuk Ω dberka oleh ˆ Ω = E[( aˆ E( aˆ)) ( aˆ E( aˆ))] = E( aa ˆˆ ) = aa ˆˆ. (7) Sfa asmos peduga parameer uuk β (5) da uuk Ω (7) dberka oleh Proposs. yag merupaka modfkas Teorema dar Hamlo (994). Buk Proposs. berku secara legkap dsajka oleh Dhorva da Suharoo (27) Proposs. Msalka { } adalah proses VAR(p) seper pada persamaa (4), yag sasoer dega { } d dega mea da a varas Ω, E(a a a a ) uuk seap, j, l, r. j l r Jka βˆ da ˆΩ meyaaka LSE dar parameer β da Ω yag dperoleh pada (5) da (7) dar sampel dega pegamaa, maka berlaku sfa-sfa berku: (a). ( / ) XX Q dega Q = E( XX ); P (b). β ˆ β; P P (c). Ω ˆ Ω ;

4 4 Peramala Dere Waku (Dhorva U. W. & Suharoo) d (d). ( ˆ β β) N(, Ω Q ), dega meyaaka hasl kal Kroecker. Model VAR-GSTAR yag megadug pola seasoal mempuya beuk umum sama dega model (4), dega memasukka lag seasoal kedalam pu model sesua represeas GSTAR. Secara umum prosedur uuk medapaka model erbak pada proses mulvara megacu pada meode Box-Jeks, yag dsajka dalam Gambar. Karakersk dar prosedur yag dbeuk erleak pada ahap esmas parameer, yag dlakuka dega megguaka hasl (5) da Proposs. uuk uj sgfkas parameer. Uuk ahap-ahap yag la megguaka eor-eor yag basa dguaka pada daa dere waku. Posulaska Kelas Umum Model Tahap IDENTIFIKASI model dugaa semeara (Megguaka ACF da PACF) Proses Sasoer? TIDAK Adakah pola seasoal? TIDAK YA YA Lakuka Dfferecg Tahap ESTIMASI (Esmaska parameer model) Lakuka Dfferecg da masukka lag seasoal ke dalam model TIDAK Tahap DIAGNOSTIC CHECK (Verfkas apakah model sesua?) YA Tahap FORECASTING (Guaka model uuk peramala) Gambar. Prosedur pembeuka model dere waku mulvara Seasoal dega pedekaa GSTAR.

5 Jural ILMU DASAR Vol. No., uar 2 : 9 5 Deskrps daa parwsaa Daa dalam peela dperoleh dar BPS Yogyakara da Das Parwsaa Bal. Daa ersebu merupaka daa jumlah wsaawa macaegara dar Yogyakara da Bal, yag merupaka daa bulaa selama perode bula uar 998 sampa dega Desember 25. Deskrps dar daa ersebu dega megguaka plo dere waku dapa dlha pada Gambar 2. Plo d bawah meujukka bahwa dere waku ersebu dak sasoer da cederug berpola seasoal dega peak pada umumya erjad pada bula Agusus (lag 8). Hasl emprs pada daa parwsaa Perama-ama aka dberka hasl perhuga dega program MINITAB dar model VAR- GSTAR. Tahap defkas pada proses pembeuka model VARMA seasoal dega pedekaa GSTAR dlakuka melalu defkas plo dere waku, ACF (Auocorrelao Fuco), PACF (Paral Auocorrelao Fuco). Plo ACF da PACF dberka dalam Gambar 3 da Gambar 4. Gambar-gambar ersebu meujukka adaya pola musma, sehgga dlakuka proses dfferecg o seasoal da seasoal 2, da deuka varabel predkor o seasoal adalah lag da predkor seasoal adalah lag 2. Lagkah selajuya adalah membeuk srukur daa GSTAR sebagamaa dsebuka d aas. Dega demka srukur predkorrespo adalah sebaga berku ( ) X = X X X X X X X X ( ) 2( ) ( 2) 2( 2) = ( ) 2( ) ( 2) 2( 2) da Y = (8) 2 Varabel da beruru-uru mewakl 2 daa jumlah wsaawa macaegara d Yogyakara da Bal yag elah dsadarsas da dproses dfferecg. Berdasarka srukur daa (8) dlakuka esmas dega meode leas square dega skema backward. Proses perhuga dkerjaka melalu pake program MINITAB 4. Tabel. adalah hasl akhr dar proses esmas. Tme Seres Plo of Yogyakara Tme Seres Plo of Bal Yogya 8 6 Bal Moh Year Moh Year Gambar 2. Plo dere waku daa jumlah wsaawa macaegara d Yogyakara da Bal. Fugs Auokorelas uuk Yogyakara (wh 5 sgfcace lms for he auocorrelaos) Fugs Auokorelas uuk Bal (wh 5 sgfcace lms for he auocorrelaos) Auokorelas Auokorelas Lag Lag Gambar 3. Fugs Auokorelas dar daa jumlah wsaawa macaegara d Yogyakara da Bal.

6 6 Peramala Dere Waku (Dhorva U. W. & Suharoo) Fugs Auokorelas Parsal uuk Yogyakara (wh 5 sgfcace lms for he paral auocorrelaos) Fugs Auokorelas Parsal uk Bal (wh 5 sgfcace lms for he paral auocorrelaos) Auokorelas Parsal Auokorelas Parsal Lag Lag Gambar 4. Fugs Auokorelas Parsal dar daa jumlah wsaawa macaegara d Yogyakara da Bal. Tabel. Hasl esmas model VAR-GSTAR seasoal. Predkor Koefse Varas Sask T p-value Koefse X ,54-4,73, X4.32,56 2,7,4 X ,279-3,29, Persamaa regres yag dhaslka dar Tabel. adalah Y = X X X8. (9) Model (9) dkembalka lag dalam skema (8), sehgga ddapaka model erbak uuk daa jumlah wsaawa macaegara d Yogyakara da Bal adalah =, , 32 + e ( 2) 2( 2) =, e 2 2( 2) 2 () dega da adalah proses yag 2 dsasoerka melalu dfferecg oseasoal () da seasoal (2). Pada proses pembeuka model VARMA, ahap defkas melpu defkas plo dere waku, MACF (Marx Auocorrelao Fuco), MPACF (Marx Paral Auocorrelao Fuco), da la AIC (Akake Iformao Crera) pada beberapa orde model. Berdasarka plo dere waku daa dak sasoer da meujukka pola seasoal. Karea program yag erseda dak dapa memodelka daa seasoal, maka kedaksasoer daga dega proses deferes. Seelah daa sasoer, maka dlakuka perhuga da aalss beuk dar MACF da MPACF, sera la AIC pada beberapa orde AR. Kega besara dguaka sebaga dasar uuk peeua orde model VARMA, khususya pada la AIC yag erkecl, yag haslya dapa dlha pada Tabel 2 da 3. Tabel 2. Represeas Skemak MACF da MPACF.

7 Jural ILMU DASAR Vol. No., uar 2 : 9 7 Tabel 3. Nla AIC uuk meduga orde model VARMA Tabel 4. Hasl esmas parameer da uj sgfkas parameer pada model VARMA erbak Parameer Esmaes Parameer Esmae Sadard Error Value F(4,) F(4,2) G(3,) G(3,2) Dar beuk MACF da MPACF yag cus off seelah lag 3, maka dapa dduga order auoregresf model semeara yag sesua adalah ga. Hasl dperegas oleh la AIC yag erkecl pada lag 3, sehgga dapa dsmpulka pada ahap defkas dperoleh model semeara yag sesua mempuya order auoregresf ga. Dar model semeara dlakuka proses resrks erhadap varabelvarabel yag dak sgfka. Model erbak dperoleh dar hasl ahap erakhr seelah parameer-parameer yag dak sgfka dresrks aau dbuag. Hasl esmas ahap akhr dberka pada Tabel 4. Berdasarka hasl ersebu dperoleh model VARMA sebaga berku:, +,, = + 3,8 3, 3,6 2, + 2, 2, e, (), 3e e 2, 2, + dalam hal kedua seres ersebu adalah seres yag dsasoerka melalu dfferecg o-seasoal () da seasoal (2). Pada ahap cek dagosa dlakuka pegeceka apakah resdual dar model elah memeuh syara whe ose, melalu MACF, MPACF da la AIC dar resdual. Pegeceka juga dlakuka uuk megeahu apakah resdual erdsrbuska secara ormal mulvara. Hasl cek dagosk elah dlakuka oleh Dhorva & Suharoo (27), yag meujukka syara whe ose belum erpeuh. Jad model yag dhaslka melalu program PROC STATESPACE belum opmal. Akhrya, ahap peramala dlakuka pada suau model erbak yag dperoleh dar ahapahap sebelumya. Proses pembeuka model hgga peramala secara legkap dsajka dalam Dhorva & Suharoo (27). Hasl-hasl perbadga ramala 2 ke depa aara model VAR-GSTAR da VARMA secara legkap dapa dlha pada Tabel 5. Dar Tabel ersebu dapa dlha bahwa pada model VARMA demuka sau perode yag la ramalaya berada egaf da meujukka bahwa model dak memberka hasl ramala yag bak. Semeara u model VAR-GSTAR memberka hasl yag lebh relabel karea dak ada la ramala yag egaf da secara kosse meujukka jumlah wsaawa yag erbayak adalah bula 8 seper pada ahu-ahu sebelumya.

8 8 Peramala Dere Waku (Dhorva U. W. & Suharoo) Tabel 5. Predks jumlah wsaawa macaegara 2 perode ke depa. Bula Predks VARMA Predks VAR- GSTAR D Yogyakara D Bal D Yogyakara D Bal Ierpreas erhadap model VAR-GSTAR () memberka hasl yag lebh rasoal, yau bahwa jumlah wsaawa macaegara yag daag ke Yogyakara dpegaruh oleh jumlah wsaawa yag daag ke Bal, eap dak sebalkya, sedagka dar model VARMA () yag erjad adalah sebalkya. Hasl perama lebh realss, karea secara real pada umumya wsaawa daag ke Bal erlebh dahulu baru ke Yogyakara. KESIMPULAN Berdasarka hasl pegolaha da aalss daa pada baga sebelumya, dapa dbua beberapa kesmpula hasl peela, yau :. Model VARMA dega PROC STATESPACE mempuya kelemaha eruama pada daa-daa dere waku mulvara yag seasoal, karea dak dapa megakomodas lag-lag seasoal pada orde model. Hal dapa dselesaka dega megguaka pedekaa VAR- GSTAR. 2. Hasl perbadga kesesuaa model da keepaa ramala meujukka bahwa model VAR-GSTAR adalah model yag lebh bak uuk meramalka daa-daa mulvara yag berpola seasoal. 3. Ierpreas dar model VAR-GSTAR lebh realss dbadgka dar model VARMA, yau bahwa jumlah wsaawa macaegara yag daag ke Yogyakara dpegaruh oleh jumlah wsaawa macaegara yag daag ke Bal, eap dak sebalkya. Hasl dar peela juga memberka peluag dlakukaya kaja laju berkaa dega pemodela daa dere waku mulvara yag berpola seasoal, khususya yag melbaka model mulplkaf aar usur yag o-seasoal da seasoal. Sebaga ambaha, kaja berkaa dega esmas parameer pada model VAR-GSTAR yag memberka jama bahwa la error dar model adalah whe ose secara mulvara dapa pula dlakuka, aara la dega pegguaa meode 2SLS (Two Sage Leas Squares) aaupu SUR (Seemgly Urelaed). Ucapa ermakash Dalam melaksaaka kegaa peela kam elah medapa baua da dukuga dar berbaga phak. Oleh karea peuls megucapka erma kash kepada Pmpa Proyek Dose Muda yag elah meyedaka daa peela DAFTAR PUSTAKA Box GEP, Jeks GM & Resel GC Tme Seres Aalyss. Eglewood Clffs: Prece Hall. Dhorva UW & Suharoo. 27. Model Varma (Vecor Auoregressve Movg Average ) uuk Pemodela da Peramala Daa Dere Waku d Bdag Parwsaa. Lapora Peelha Dose Muda, UNY, Yogyakara Hamlo JD Tme Seres Aalyss. New Jersey: Prceo Uversy Press.

9 Jural ILMU DASAR Vol. No., uar 2 : 9 9 Gacom R & Grager CWJ. 24. Aggregao of space-me processes. Joural of Ecoomercs. 8: Kamaraaks Y & Prasacos PP. 25. Space-me modelg of Traffc flow. Compuers ad Geosceces. 3: Kyryakds PC & Jourel AG Geosascal Space-me model: A revew. Mah. Geol. 3(6): Lopuhaa HP & Borovkova S. 25. Asympoc properes of leas squares esmaors geeralzed STAR models. Techcal Repor. Delf Uversy of Techology. Nura B. 22. Pemodela Kurva Produks Myak Bum Megguaka Model Geeralsas S-TAR. Jural Forum Saska da Kompuas, IPB, Bogor. Pfefer PE & Deusch SJ. 98a. A Three Sage Ierave Procedure for Space-Tme Modelg. Techomercs. 22 (): Pfefer PE & Deusch SJ. 98b. Idefcao ad Ierpreao of Frs Order Space-Tme ARMA Models. Techomercs. 22(): Suharoo. 25. Perbadga aara model GSTAR da VARIMA uuk peramala daa dere waku da lokas. Prosdg Semar Nasoal Saska, ITS, Surabaya. Suharoo & Subaar. 26. The Opmal Deermao of Space Wegh GSTAR Model by usg Cross-correlao Iferece. JOURNAL OF QUANTITATIVE METHODS: Joural Devoed o The Mahemacal ad Sascal Applcao Varous Felds, 2(2): Suharoo & Subaar 27. Some Commes o he Theorem Provdg Saoary Codo for GSTAR Models he Paper by Borovkova e al. Joural of The Idoesa Mahemacal Socey (MIHMI). 3 (): Tsay RS. 25. Aalyss of Facal Tme Seres. Joh Wley & Sos. New Jersey.

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

Lebih terperinci

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: a_dyah@yahoo.com ABSTRAK Peramala produks d masa medaag saga

Lebih terperinci

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA Jural Maemaka, Vol., No., 2, 6 2 BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA AMIR KAMAL AMIR Jurusa Maemaka, FMIPA, Uversas Hasaudd 9245 Emal : amrkamalamr@yahoo.com INTISARI Msalka

Lebih terperinci

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

Lebih terperinci

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global.

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global. BAB 1 PENDAHULUAN 1.1 Laar Belakag Telah dkeahu bahwa saa sedag megalam krss global, dak haya erjad pada Negara yag sedag berkembag, bahka Negara maju juga megalamya, seper Amerka. Akbaya bayak orag yag

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (13) 337-35 (31-98X Pr) D-165 Aalss Survval dega Model Regres Cox Webull pada Pedera Demam Berdarah Degue (DBD) d Rumah Sak Haj Sukollo Surabaya Edhy Basya, da I

Lebih terperinci

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai

Lebih terperinci

Space-time Models. MA5282 Topik dalam Statistika II 21 April 2015 Utriweni Mukhaiyar

Space-time Models. MA5282 Topik dalam Statistika II 21 April 2015 Utriweni Mukhaiyar Space-me Models MA58 opk dalam Saska II Aprl 5 Urwen Mukhayar Analss Sask Box&Jenkns Ieraon Posulae General Class of Models ACF, PACF, dff Daa Analyss on-paramerc Analyss Sochasc Processes Mulvarae Analyss

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6) Pemecaha Masalah Ieger Programmg Ber Dega Meode Peambaha Wawa Lakso YS 6) ISSN : 1693 1173 Absrak Program Ler adalah perecaaa akfas-akfas uuk memperoleh suau hasl yag opmal. Tdak semua varabel kepuusa

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

PERAMALAN DERET WAKTU MULTIVARIAT SEASONAL PADA DATA PARIWISATA DENGAN MODEL VAR-GSTAR

PERAMALAN DERET WAKTU MULTIVARIAT SEASONAL PADA DATA PARIWISATA DENGAN MODEL VAR-GSTAR PERAMALAN DERET WAKTU MULTIVARIAT SEASONAL PADA DATA PARIWISATA DENGAN MODEL VAR-GSTAR S-36 SEASONAL MULTIVARIAT TIME SERIES FORECASTING ON TOURISM DATA BY USING VAR-GSTAR MODEL Dhoriva Urwatul Wutsqa

Lebih terperinci

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR)

Peramalan Penjualan Sepeda Motor Tiap Jenis di Wilayah Surabaya dan Blitar dengan Model ARIMA Box-Jenkins dan Vector Autoregressive (VAR) JURNAL SAINS DAN SENI POMITS Vol. 3, No., (04) 337-350 (30-98X Prn) D-36 Peramalan Penjualan eda Moor Tap Jens d Wlayah Surabaya dan Blar dengan Model ARIMA Box-Jenkns dan Vecor Auoregressve (VAR) Ade

Lebih terperinci

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT

MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 07, No. (018), hal 85 9. MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE-X (GSTAR-X) DALAM MERAMALKAN PRODUKSI KELAPA SAWIT Felca Kurna Kusuma Wra Pur, Dadan

Lebih terperinci

III. METODE KAJIAN A.

III. METODE KAJIAN A. 25 III. METODE KAJIAN A. Lokas da Waku Kaja Lokas kaja d dusr sapu PT. XYZ yag berlokas d Dusu III R.3/05 Desa Kalbuaya, Kecamaa Telagasar, Kabupae Karawag. Pemlha lokas dlakuka secara segaja (purposve),

Lebih terperinci

PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN

PENERAPAN MODEL GSTAR(1,1) UNTUK DATA CURAH HUJAN Bulen Ilmah Mah. Sa. dan Terapannya (Bmaser) Volume 6, o. 03 (017), hal 159 166. PEERAPA MODEL GSTAR(1,1) UTUK DATA CURAH HUJA Ism Adam, Dadan Kusnandar, Hendra Perdana ITISARI Model Generalzed Space Tme

Lebih terperinci

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee Jural ILMU DASAR Vol. 0 No.. 009 : 85 9 85 Esmas Parameer Model Log pada Respos Ber Mulvara Megguaka Meode Mle da Gee Esmag Parameers of Log Model o Mulvarae Bary Respose Usg Mle ad Gee Jaka Nugraha, Suryo

Lebih terperinci

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

Prediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki

Prediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki JURNAL SAINS DAN SENI POMITS Vol. 3, No., (4) 337-35 (3-98X Pri) D-34 Sepeda Moor Merek X Di Kabupae Da Koamadya Malag Dega Meode Peramala Hierarki Rika Susai, Desri Susilaigrum, da Suharoo Jurusa Saisika,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

PENGGUNAAN REGRESI KONTINUM DENGAN PRA- PEMROSESAN ROBPCA UNTUK PEMODELAN STATISTICAL DOWNSCALING. Sutikno 1 dan Setiawan 2

PENGGUNAAN REGRESI KONTINUM DENGAN PRA- PEMROSESAN ROBPCA UNTUK PEMODELAN STATISTICAL DOWNSCALING. Sutikno 1 dan Setiawan 2 Semar Nasoal Saska IX Isu ekolog Sepulu Nopember, 7 November 009 PENGGUNAAN REGRESI KONINUM DENGAN PRA- PEMROSESAN ROBPCA UNUK PEMODELAN SAISICAL DOWNSCALING Suko da Seaa, Jurusa Saska FMIPA IS suko@saska.s.ac.d,

Lebih terperinci

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

Lebih terperinci

FINITE FIELD (LAPANGAN BERHINGGA)

FINITE FIELD (LAPANGAN BERHINGGA) INITE IELD (LAPANGAN BERHINGGA) Muhamad Zak Ryao NIM: /5679/PA/8944 E-mal: zak@malugmacd h://zakmahwebd Dose Pembmbg: Drs Al Sujaa, MSc Jka suau laaga (feld) memua eleme yag bayakya berhgga, maka laaga

Lebih terperinci

BAB 8 PERSAMAAN DIFERENSIAL BIASA

BAB 8 PERSAMAAN DIFERENSIAL BIASA Maa kulah KOMPUTASI ELEKTRO BAB 8 PERSAMAAN DIFERENSIAL BIASA Persamaan dferensal dapa dbedakan menjad dua macam erganung pada jumlah varabel bebas. Apabla persamaan ersebu mengandung hana sau varabel

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pegera Peramala Meuru Assaur peramala adalah kegaa uuk memperkraka apa yag aka erjad d masa yag aka daag. Sedagka ramala adalah suau suas aau kods yag dperkraka aka erjad pada

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa

Lebih terperinci

Pengukuran Bunga. Modul 1

Pengukuran Bunga. Modul 1 Moul 1 Pegukura Buga Drs. Pramoo S, M. S. M oul membcaraka eag pegukura buga, fugs akumulas a fugs jumlah, gka buga efekf, buga seerhaa, buga majemuk, la sekarag, gka skoo efekf, gka buga ar skoo omal,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di 8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne

Lebih terperinci

MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR

MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais Pada Jurusa Maemaika Oleh :

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN Jural EKSPONENSAL Volume 6, Nomor, Nopember 05 SSN 085789 Aalss Pegedala Persedaa Produk dega Meode Ecoomc Order Quay Mul em Megguaka Algorma Geeka uuk Megefseka Baya Persedaa Hasl Peramala Berbass Expoeal

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh MODU PERKUIAHA Ragkaa srk Idukas da Kapasas Fakulas Program Sud Taap Muka Kode MK Dsusu Oleh FAKUTAS TEKIK TEKIK EEKTRO 0 4009 Yulza ST,MT Absrac Tak ada egaga melas sebuah dukor jka arus ag melalu dukor

Lebih terperinci

MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR

MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Bulei Ilmiah Ma.Sa. da Terapaya (Bimaser) Volume 06, No. (07), hal -0. MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Ermawai, Helmi, Frasiskus

Lebih terperinci

MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja

MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja Bulei Ilmiah Mah. Sa. da Terapaya (Bimaser) Volume 07, No. (018), hal 77 84. MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dada Kusadar, Naomi Nessyaa

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN PERENCNN JUMLH PRODUK MENGGUNKN METODE FUZZY MMDNI BERDSRKN PREDIKSI PERMINTN Nama Mahasiswa : Norma Edah Haryai NRP : 1207 100 031 Jurusa : Maemaika FMIP-ITS Dose Pembimbig : Drs. I G N Rai Usadha, M.Si

Lebih terperinci

MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINGUISTIK

MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINGUISTIK MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINUISTIK Sr Adaya 1 T-13 1 Jurusa Peddka Maemaka FMIPA UNY adaya_uy@yahoo.com Absrak Pelaa aspek afekf d sekolah merupaka proses pegambla kepuusa

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2 METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA Roki Nuari *, Aziskha, Edag Lily Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas

Lebih terperinci

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY Ajeg Ye Seagrum 1, da Muhammad Kholl Jurusa Tekk Idusr, Fakulas Tekk Uversas Mercu Buaa

Lebih terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown Jural EKSPONENSIAL Volume 7, Nomor, Mei 06 ISSN 085-789 Peramala Jumlah Peduduk Koa Samarida Dega Megguaka Meode Pemulusa Ekspoesial Gada da Tripel Dari Brow Forecasig he Populaio of he Ciy of Samarida

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defs Pemelharaa Pemelharaa aau perawaa (maeace) merupaka kegaa uuk mejaga aau memelhara faslas-faslas da peralaa pabrk, sera megadaka perbaka, peyesuaa aau peggaa yag dperluka uuk medapaka

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 5 BAB 2 LANDASAN TEORI 2. Tjaua Pusaka 2.. Defs Pemelharaa Pegera pemelharaa aau perawaa ( maeace ) adalah suau kombas dar berbaga daka yag dlakuka uuk mejaga suau barag aau memperbakya, sampa pada suau

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK BAB II PEMODELAN SRUKUR DAN ANALISIS DINAMIK II Pedaulua Aalss da saga dperlua uu bagua-bagua berlaa baya aau yag el egga leb dar eer Respo da sruur dabaa ole beba beba da yag basaya erupaa fugs dar wau

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI. Fakultas Teknik Universitas Riau, Pekanbaru,

STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI. Fakultas Teknik Universitas Riau, Pekanbaru, STUDI PENANGGULANGAN BAJIR DATUK LAKSAMANA DUMAI Arf Julswa ), Sswao ), Trmajo ) ) Mahasswa Jurusa Tekk Spl, ) Dose Jurusa Tekk Spl Fakulas Tekk Uversas Rau, Pekabaru, 893 Emal : ajuladrod@gmal.com Oe

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

TRANSMISI HARGA JAGUNG DI PROVINSI LAMPUNG

TRANSMISI HARGA JAGUNG DI PROVINSI LAMPUNG Jural Agrbss Idoesa (Vol 5 No 1, Ju 2017); halama 75-88 75 TRANSMISI HARGA JAGUNG DI PROVINSI LAMPUNG Ra Purwash 1, Muhammad Frdaus 2, da Sr Haroyo 2 1)Mahasswa Program Magser Ilmu Ekoom Peraa, Sekolah

Lebih terperinci

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU

BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU BAB IV METODA RUNGE-KUTTA ORDE 4 PADA MODEL ALIRAN FLUIDA YANG TERGANGGU Pada bab III, ka elah melakukan penguan erhadap meoda Runge-Kua orde 4 pada persamaan panas. Haslnya, solus analk persamaan panas

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci