BAB III EKSPEKTASI MATEMATIK

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB III EKSPEKTASI MATEMATIK"

Transkripsi

1 H. aman Suherman,Drs.,.S BAB III EKSPEKTASI ATEATIK Konsep espetas matemat nla harapan secara matemat dalam statst sangat besar manfaatna. Selan dgunaan untu pengembangan dalam statst lanjutan dan terapan dbdang lan, juga sebaga onsep dasar untu mendefnsan atau membangun uuran-uuran dalam statst, sepert rerata, varan, oesfsen, orelas... Pengertan Espetas atemat Defns : salan p, a X dengan fp f, dan U fungs atau bentu dalam X. Espetas matemat atau nla harapan dar U, dtuls dengan E [u ] dan - Untu X dsrt, E [u ] U f S u. P[X ] - Untu X ontnu, E [u ] U f d Catatan : Nla espetas dar U belum tentu ada! Espetas matemat untu dua atau lebh peubah aca, ddefnsan berut n : Defns : salan f, fp bersama dar peubah aca X dan Y, dan U X, fungs dalam X dan Y. Espetas matemat dar U X, Y dtuls dengan E [U, X Y],dan - Untu X, Y dsrt, E [UX, Y] u, f, S S S u,. PX, Y Pengantar Statsta atemats

2 - Untu X, Y ontnu, E [U X, Y] u, f, dd Defns : msalan f,,... n fp bersama dar,,... n dan u,,... n fungs dalam,,..., dan n. Espetas dar u,,..., n, dtuls dengan E [u,,..., n ], dan - Untu peubah aca dsrt. E [u,,..., dan n ] - Untu peubah aca ontnu,... u,,... n f,,... E [u,,..., n ] u,,..., f,,... n n n n Contoh. salan X meml fp f ; ; lanna Htung a E [X], b E [X ], dan c E [X X ] Penelesaan Jelas, X peubah aca ontnu a. Dalam hal n u X, maa ; E [X] f d d d d b. Dalam hal n u X, maa ; E [X ] f d d c. Dalam hal n u X +X, maa ; E [ + ] f d d Pengantar Statsta atemats

3 d Contoh. Dar dalam ota ang terdr atas bola merah dan bola puth dambl bola secara aca. Untu setap terambl bola merah dber hadah. rupah dan setapterambl bola puth dber hadah. rupah. Htung espetas besar hadah ang dperoleh! Penelesan Harus dtentuan dulu ruang sampel S, peubah aca X, dan dstrbusna, dalam hal n S {m, m,...m, m, m, p,..., m, p, p, p, p, p, p, p }, dengan N S, dan peubah aca X. S R, dengan X besar hadah sehngga S {,, } Perhatan dagram pada gambar.! X f S R R m m m m m p m p p p Pengantar Statsta atemats

4 p p Gambar. Berdasaran gambar. dperoleh fp dar X, an : ; ; F PX ; ; lanna Sehngga E [X] Espetas besar hadah f S, PX + + Jad besar hadah ang dharapan dar X dan Y, adalah rupah Contoh. Detahu fp bersama fp dar X dan Y, adalah ;;, f, ; lanna Htung E [X], E [Y], E [XY] dan E [XY X] Penelesaan : E [X]. f, dd dd d Pengantar Statsta atemats

5 Pengantar Statsta atemats d E [Y] d dd dd f,. d E [XY] d dd dd f,. d E [XY-X],, dd dd f, d dd 9 9 d - Catatan Perhatan, bahwa E [u] bsa bernla postf, negatf atau nol dan E [XY] belum tentu sama dengan E [X], E [Y]! Selanjutna dapat dbutan bahwa ja X dan Y dua p, a bebas stoast, maa E [u X, v ] E [u X]. E [vx] Sfat-sfat espetass berut n dapat dbutan, dan fungs atau operator ang bersfat sepert n, dnamaan operator lner. Jad espeats E merupaan operator lner Sfat-sfat Espetas : E [], onstanta real E [, ux] E [u X], onstanta real

6 E N u I X n E[ u X ],,..., n ontantareal Sebaga contoh penggunaan sfat espetas sebaga operator lner, coba anda perhatan embal contoh.! Telah dhtung bahwa E dan E, maa F [ ] E [] + E [ ] E [] + E [] + +. Rerata dan Varan ja X peubah aca, dengan u X X, maa E [u X E [X]. Defns : Ja f fp dar peubah aca X, maa Untu X peubah aca dsrt, rerata dar X adalah E [X] f Untu X peubah aca ontnu, rerata dar X adalah μ E [X], f d Catatan : - ean dar X belum tentu ada, dan ja ada sangat berguna sebaga salah satu uuran tendens sentral, antara lan untu menguur araterst seumpulan data uanttatf atau populas sebaga wal - E [u] dartan sebaga rerata dar u Contoh. Peubah aca X dengan range S {,,,,} meml fp f ;,,,, ; lanna Htung rerata X, emudan haslna bandngan dengan rumus ang basa dgunaan dmasaraat. Penelesaan : Jelas X adalah peubah aca dsrt, maa Pengantar Statsta atemats

7 μ E f 9, Bla dhtung dengan rumus rerata ang basa dgunaan adalah μ n n X Kenapa haslna berbeda? Hal n terjad arena bergantung pada fp ang dgunaan atau ddefnsan atau pad bobot ang dberan untu setapdata X. Dalam hal n, masaraat menggunaan fp f ;,,,, ; lanna Rumus rerata ang dgunaan d masaraat adalah hal husus dar defns rerata secara statst matemat. Contoh. salan peubah aca X meml fp f ; ; lanna Htung rerata X, ja ada! Penelesaan ; Jelas X peubah aca ontnu! aa μ E [X] f d d n Dalam hal n rerata X danggaptda ada! Ja μ rerata peubah aca X, dan u μ, maa E [ μ ] dnamaan varan dar X, dan dnotasan dengan σ atau... E [ μ ] Defns : Ja f fp peubah aca X, maa Untu X peubah aca dsrt, σ var E [ μ ]... μ f Untu X peubah aca ontnu, σ var E [ μ ]... μ Pengantar Statsta atemats

8 f d Catatan : - Varans dar X belum tentu ada, dan ja ada sangat berguna sebaga salah satu uuran varas, antara lan untu menguur tngat tersebarna seumpulan data uanttatf - Ja μ tda ada, maa σ juga tda ada. Ja μ ada, maa belum tentu σ ada! - Aar uadrat postf dar, σ atu σ E dnamaan standar devas atau smpangan bau X - Untu populas-populas dengan satuan dan eteltan ang sama, maa varans atau smpangan bau seman ecl menunjuan populas tersebut seman merata atau homogen unform. Teorema Var X E [X ] E[X] E [X] μ But : Var X E E E E E E Var X E [X ] - μ terbut Contoh. salan peubah aca X dengan fp f Htung varans dan smpangan bau dar X! ; ; lanna Penelesaan Jelas X peubah aca ontnu! Pengantar Statsta atemats

9 Karena μ E [ ] aa σ E f _ E d d d _ 9 _ Ja dhtung dengan teorema atu σ E[ } -, dmana E [X ] d d }maa σ 9 haslna sama dengan menggunaan defns σ smpangan bau Contoh. salan S adalah ruang sampel pengetosan sebuah dadu ta jujur dan peluang muncul ss dadu sepert ddefnsan pada contoh.. a. Htung rerata meuncul anga ss dadu b. Htung varans dan smpangan bauna Penelesaan : a. Jelas S {,,,,, }, dan ja X anga ss dadu Jelas pula bahwa S S {,,,,, }. Berdasaran. maa μ E [X]. P[X ], +, +, +, +, +,, Pengantar Statsta atemats

10 Ternata, apabla dadu tersebut dtos atau dund terus menerus, maa dharapan rerata aan muncul anga,. b. Karena E [X ] p X, +, + 9, +, +, +,, +, +, +, +, +,, dan μ, aa varans, σ, 9,,9, dan smpangan bau σ,9, Sfat-sfat Rerata dan Varans Ja μ dan σ berturut-turut adalah rerata dan varans dar X, maa. E [X μ] o. E [ax + b] aμ + b, a, b onstanta real Var X + c Var [], σ c onstanta real Var ax + b a Var [ X] a σ Aan dbutan hana bagan saja, ssana,, anda butan sendr sebaga lathan But : Var ax + b E [ax + b ] E [ax + b] E [ax + abx + b ] E [aμ + b] a E [X] + abe [X] + E [b ] a μ - abμ - b α E [[X ] - μ ] + ab E[X] - μ α Var [X] + ab a σ terbut Contoh. Perhatan contoh telah detahu, bahwa p, a X dengan fp f ; ; lanna Pengantar Statsta atemats

11 eml rerata μ dan varan σ 9 Ja Y -X +, maa rerata Y rerata / + Dan Var Y var /9 Catatan : Ja peubah aca X meml rerata μ dan varan σ tda nol, maa ta dapat menghubungan antara eduana, dalam pernataan peluang dan huum n dtemuan oleh seorang ahl matemata pada abad 9, atu P. I Chebshev. Huumna atau rumusna n dnamaan etdasamaan Chebshev. Sebenarna etdasamaan Chebshev adalah hal husus dar teorema Bename. Tda bana gunana dalam buu n. Berut aan dsampaan teorema Bename ta dbutan emudan teorema atau atesamaan Chebshev dbutan dengan menggunaan T. Bename Teorema T. Bename salan u X fungs ta negatf dar p, a X, ja E [ux] ada, maa untu setapblangan real postf c, berlau : P[uX c E [ u ] c Contoh.9 salan p, a meml f,, Pf ; ; lanna Ja u X dan c. Tunjuan bahwa P[uX c] E [ u ] c Penelesaan P[uX c] P[X - ] P - X. d Pengantar Statsta atemats

12 Sedangan E [ux] E [X ] E [X] Sehngga P[uX ] Teorema Ketasamaan Chebshev E[ u ] sesua T. Bename salan peubah aca X mempuna rerata μ dan varans < σ < setapblangan real postf, berlau : P[ - μ σ ] atau P[ - μ < σ ] - But : E P P, maa untu Jad P arena perstwa { : - μ < σ} omplemen dar perstwa { : μ σ}, maa P Contoh. Perhatan p, a X dan fp na pada contoh.9. dapat anda tunjuan bahwa μ... dan σ a Htung P[μ - σ < X < μ + σ] b Bnadngan haslna dengan etasamaan Chebshev Penelesaan : a P[ μ < σ] P[μ - σ < X < μ + σ] P X f d d d Pengantar Statsta atemats

13 ,,, 9 enurut etasamaan Chebshev : P, Jelas P _,9, memenuh etasamaan Chebshev. omen dan Fungs Pembangt omen Uuran statst ang baru saja anda pelajar, an rerata, varans dan smpangan bau adalah hal husus dar espetas matemat, atu momen dan fungs pembangt momen. omen alah salah satu uuran statsta ang gunana antara lan sebaga dasar untu merumusan uuran eruncngan dan lemrngan urva dstrbus. Sedangan fungs pembangt momen antara lan untu menurunan atau menentuan momen-momen. Defns : a omen e dar peubah aca X dnotasan dengan μ adalah espetas dar X,,,,..dtuls E [X ] b omen sentral e setar rerata μ dar p, a X dnotasan dengan μ E X μ ],,,, jad ja f fp dar p, a X, maa Untu X dsrt : μ E [X ] f μ E [X μ ] - μ f Pengantar Statsta atemats

14 Untu X ontnu μ E [X ] f d μ E [X ] f d 9 9 d d Berdasaran a telah detahu μ rerata X μ E [X - ] 9 f d d d 9 9 X _ μ E [X - ] E [ X ] 9 9 σ,, 9 Dengan E [X ] d d Pengantar Statsta atemats

15 E[ X ] f d d E X ] f d d, maa, maa [ E [X] + rerata X, dan E [ X - ]..., maa E [X ] momen e, dan E [ X - ]..., dnamaan uuran atau oefsen surnes emrngan atau dstrbus, dnamaan uuran atau oefsen utoss eruncnran atau dstrbus urva meml emrngan postf urva smetrs urva meml emrngan negatf > urva leptourtc runcng urva mesourtcmoderat ata normal < urva platurtc tumpul Contoh. Detahu peubah aca X berdstrbus dengan fp f Htung momen e, e e, dan e dar X Htung momen sentral e, e, e, dan e setar... Htung oefen sernes dam oefsen uartoss dar X.... ; ; lanna Htung arasterst urva dar... Setsa graf! Pengantar Statsta atemats

16 Penelesaan E [ X ] f d Dapat anda htung bahwa : d d μ E [X - ]... X -... f d -, dan μ E [X - ]... X -... f d -, c oefsen sewnes , 9 oefsen urtoss , 999 Berdasaran nla berart urva mrng negatf curam d anan, landa d r. Gambar Kurva 9 Dan berdasaran nla berart urva platurtc tumpul Gambar Kurva d Graf f ; ; ; lanna f Negatf & platurtc / Gambar - Pengantar Statsta atemats

17 Catatan : Terdapat hubungan antara momen dan momen sentral setar rerata, sehngga ja detahu ang satu maa ang lan dapat dhtung menggunaan hubungan tersebut. Hubungan n aan dbeeran dalam teorema berut : Teorema : Ja μ, μ dan μ berturut-turut adalah : rerata, momen e dan momen sentral e setar rerata dar p, a. X, maa μ μ But : μ E X E X E[ X ]. μ E [X ] E[X - + ] E X E X E[ X ] Contoh. Perhatan contoh.! Telah ddtung momen-momen e,,, dan, atu ' ' ' ',,, dan. Aan dhtung momen-momen sentral Pengantar Statsta atemats

18 setar rerata e,,, dan dengan menggunaan rumus dalam teorema hubungan antara momen dan momen sentral setar rerata, sebaga berut : l l ' μ.. μ ' , μ ' , μ ' ; , 9 9 Dapat anda perhatan, bahwa nla-nla μ, μ, μ dan μ ang dperolah dengan teorema umum, perss sama dengan nla-nla ang dperoleh dengan menggunaan defns! Pengantar Statsta atemats

19 Hal tda ebaca!... ta aan mempelajar espetas husus berutna, ang dsebut pembangt momen, dengan fungs n ta bsa menghtung momenmomen ang barangal lebh prats! dar, dengan... dnamaan fungs pembangt momen sedeman sehngga < < maa ada. momen fpm dar X belum tentu ada! Walaupun f[e ] ada tetap, nla t tda ada, maa danggap tda ada. In berart, harus memuat hmpunan buu ang memuat nol. Ja f, p, m dar maa sangat berguna, antara lan untu menentuan nla momen-momen dar X, dar X, maa dsr, E [] e t f ontnu,, E. e t e t f d f, p, m, dar X dan maa, d t dt μ momen e dar X turunan e terhadap dar p, a, dsrt sehngga t t e f, maa t t e f danggap onstanta d t t... e t f E dt Pengantar Statsta atemats

20 danggap X. p, a ontnu, sehngga t t e f d, maa... danggap onstanta Teu aa halaman Untu t d t... dt. f E t Jad ba X dsrt maupun ontnu, maa t terbut Cara lan untu membutan hubungan n alah dengan cara menguraan terlebh dahulu, fungs μ e t acladrn, ang mana : menjad bentu deret, atu dengan perluasan deret e t + t + t! t!... tc!... t! Sehngga t E [e t ] E t! Slahan anda terusan dengan cara n! Sfat Ja t f,p,m da X, maa rerata dan varans X berturut-turut adalah Μ dan Contoh. salan p, a X meml f,,p f a. Tentuan f,p,m dar X b. elalu f,p,m htung μ, μ ;,, ; lanna Penelesaan : a. Jelas X p,a dsrt, maa Pengantar Statsta atemats

21 t E [e t ] e t f! t t t e. e!!!! e! t t e e t t e e, t b. μ t t e e t e t e t t Contoh. salan X dengan fp f e,, lanna Tunjuan, bahwa fpm dar X adalah X t t fpm, htunglah μ,,, dan setsa graf f., t dengan mwnggunaan Penelesaan t E t e t e t e t d t t f d s.d e e d d t t t d e t t t t t e e d t e t e hm t b t b be e., t t b t t, t t t, t t Pengantar Statsta atemats

22 t t, t < t t - > t t - > t t - > t t - > aa : μ > T Y *..,, [ ] Kurva ƒ meml emrngan postf dan eruncngan leptourtc c. Graf ƒ dsajan dalam gambar.. dengan tt punca,e - ƒ e - leptourtc X Gambar. Pengantar Statsta atemats

23 .. Espetas Defns : sal ƒ fp bersarat dar X ja detahu Y,dan u benu atau fungs dalam X. Espetas bersaarat dar u ja detahu Y, dtuls E[u/] dan Untu p.a. dsrt, E[u/] Untu p.a ontnu, E[u/] uf/ uf/ d A. Defns. / E[X/Y] dnamaan rerata bersarat dar X ja detahu Y dan / E[X/Y] dnamaan rerata bersarat dar ja detahu X. / var X/Y E[X- / /Y ] E[X /Y]-E {X/Y] dnamaan varans bersarat dar X, ja detahu Y / var Y/XE[Y- / /X] E[Y /]-E [Y/X]. Ja dan berturut-turut adalah rerata dar X dan Y, maa ovarans dar X dan Y, dtuls cov X,Y E[X- Y - ] E[XY] E[X].E[Y}. Ja dan berturut-turut adalah smpangan buu X dan smpangan bau Y, maa oefsen orelas dar X dan Y dtuls : cov X, Y E[ X E[ XY] E[ X ] E[ Y] [ X ] E[ Y ] E [ Y] B. Contoh. salan X dan Y mempuna fp bersama sepert contoh. an : f X ;,, ; Xlanna f X ;, ; lanna Pengantar Statsta atemats

24 f/ ;,, ; Xlanna ;, f/ ;,, ;, ; Xlanna a. Htung E[ -/], E[-/] dan E[ -/] b. Htung rerata X ja detahu Y dan rerata Y ja detahu X Berapaah / dan /? c. Htung var / dan var / d. Htung cov, dan Penelesaan : a. E[ -/] X f / 9 9 E[ 9 -/] 9 9 E[-/] f f / b. / E X / f / [ 9 ] Pengantar Statsta atemats

25 Pengantar Statsta atemats ] [ / / / f E Y.. /.. / c. ] / [ ] / [ / var / X E X E X dengan E[ /] ] 9 [ aa / 9 9 / / / var / E E dengan E ] [ / Y dan EY/..

26 maa / 9 9 d. Cov. [X,Y]E[XY]-E[X].E[Y], dengan E[XY], [ f, [ 9 ] ] + E[X] f [ ] E[Y] f [ ] aa Cov [X,Y],,, Cov,,, dengan E[ X ] E [ X ],,9,9 [ ] E [ Y] 9 E Y,,9,9,, maa,,99,9,99 Catatan : Kovarans dar X dan Y, atau Cov X,Y adalah uuran statst ang dgunaan untu menguur derajat hubungan lner antara dua peubah aca X dan Y. Pengantar Statsta atemats

27 Nlana mungn postf, negatf atau nol. Ja Cov X,Y >, dataan X dan Y mempuna hubunan postf. Ja Cov X,Y <, dataan X dan Y mempuna hubungan negatf. Uuran n meml satuan dengan satuan data ang dgunaan. Agar tda meml satuan, maa dperba dstandaran dengan uuran statst derajat jad juga adalah uuran derajat hubungan lner antara peubah aca X dan peubah aca Y ang bebas dar satuan uuran ang dpaa. Dapat dbutan bahwa. Ja nla seman besar ba postf maupun negatf, maa elnertasanna man ba, artna tt-tt pasangan X,Y seman deat dengan gars lurus. Ja X dan Y dua peubah aca salng bebas stoast, maa dapat dtunjuan bahwa E[X,Y] [X].E[Y], Cov X,Y dan. tetap ebalanna tda berlau an, ja Cov X,Y atau maa belum tentu X dan Y bebas. Khususna untu dartan bahwa X dan Y ta berorelas lner. Contoh. salan fp gaungan dar peubah aca X dan peubah aca Y berbentu : f, ; 9 ; lanna a. Tentuan fp marjnal dar X, fp marjnal dar, fp bersarat dar X ja detahu Y. persa apaah X dan Y peubah aca salng bebas? b. Cov X,Y E[XY] E[X].E[Y], dengan E[XY] E[X].9 f dd dd 9 9 Xf d...9 d d Pengantar Statsta atemats

28 E[Y] Yf d d 9 aa Cov, 9 Cov, Dengan deman, maa oefsen orelas Karena nla Cov, atau juga, n memberan art, bahwa antara peubah aca X dan Y tda terdapat orelas hubungan lner, ja ta perhatan jawaban a, bahwa peubah aca X dan salng bebas hal n berabat. slahan anda beran contoh peubah aca X dan Y dengan, tetap X dan Y ta bebas... Soal-soal Lathan. Detahu p.a. X meml fp ;,, f ; lanna Htung E[X], E[+, dan E[X-X+ ]. salan fp dar p.a X berbetu f ;,,, ; lanna a. Htung E[-X] dan E X b. Htung rerata, varan dan smpangan bau X Htung ovaran dar X dan Y, dan juga oefsen orelasna, emudan tafsran berdasaran hasl atau nla ang dperoleh! Penelesaan salan fp marjnal dar X, maa Pengantar Statsta atemats

29 X jad, f f salan Jad, f f, d d f 9 ; lanna 9 f fp marjnal dar Y, maa, d d 9 ; lanna Lner f, f. f untu setap, R, 9 aa X dan Y dua peubah aca salng bebas stoasta sebaga alasan lan, dapat djelasan sebaga berut msalan f fp bersarat dar X ja detahu Y, maa f f, ; f ; lanna Lner f f maa, n menunjuan pula sebaga alasan, bahwa X dan Y peubah aca salng bebas Y tda mempengaruh X. Dua dadu homogen dttos sealgus. Ja X menataan jumlah pasangan anga dadu. Berapaah harapan matemat dar jumlah pasangan anga dadu?. Panta undan berhadah mengeluaran. lembar undan, dengan hadah pertama ebesar Rp...,- hadah edua masng-masng sebesar Rp...,- hadah etga masng-masng sebesar Rp..,- a. Berapa rupahan harapan menang untu setap lembar undan? b. Ja setap lembar undan djual dengan harga Rp.. rupah, berapaah harapan menang bag seseorang ang telah membel selembar undan?. Htunglah rerata dan varan ja ada dar peubah aca berut : Pengantar Statsta atemats

30 a. Peubah aca X dengan fp f b. Peubah aca Y dengan fp g ; ; lanna ;,,... lanna ; Z c. Peubah aca Z dengan fp hz ; Zlanna. salan f..p bersama dar X dan Y berbentu, ;,,, f,,, lanna a. Htung rerata bersarat dar X ja detahu Y b. Htung rerata besarat dar Y ja detahu X c. Htung E[ --/], dan E[ --Y] d. Htung varx/y, dan var Y/ ;. salan p.a X dengan f.p f lanna a. Tentuan f.p.m dar X b. Htung momen sentral setar rerata e, e, e, dan e dengan cara menghtunga terlebh dulu momen e, e, e dan e. Pentunju ; sebana dengan menggunaan f.pm c. Htung oefsen emrngan dan oefsen eruncngan. Bcaraan tentang urva f berdasaran hasl n. Kemudan setsa graf. Peubah aca X mempuna mean dan momen e a. Htung smpangn bau dar X b. Tentuan batas bawah P{- <<], dengan menggunaan etasamaan Chebshev 9. Butan untu setap p.a X dan Y berlau E[E[X/]] E[X] dan E[E[Y/]] E[Y] Pengantar Statsta atemats

31 . salan fungs epadatan peluang dar X berbentu f ; ; lanna a. Ja dan, berturut-turut adalah rerata dan varan, htung P[ - < < + ] b. Bandngan hasl a dengan menggunaan etasamaan Chebsshev. salan pubah aca X dan Y dengan fp gabunganna ; f, ;, lanna a. Htung cov X,Y b. Htung oefsen orelas c. Apaah X dan Y bebas Stoast?. Ja X dan Y peubah aca, a dan b dua onstanta real maa varax+by a varx + b vary + abcovx,y. Butan!. salan X dan Y meml fp bersama,,,,,, f, ;, lanna a. Htung cov X,Y b. Htung oefsen orelas c. Apaah X dan Y bebas Stoast?. Detahu dua peubah aca X dan salng bebas dengan fp X dan fp Y berturut-turut adalah : g ; dan ; lanna h ; ; lanna a. tentuan cov X,Y dan osefsen orelas berdasaran ebebasan dar X dan Y b. Htung cov X,Y dan oefsen orelas berdasaran defns sfat Pengantar Statsta atemats

32 . salan N peubah aca bernla blangan b ta negatf, tunjuan bahwa E[N] P[N] secara umum, tunjuan bahwa ja Xp aca non negatf dengan fungs dstrbus maa E[X] E d Pengantar Statsta atemats

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 11-22, April 2001, ISSN : SUBRUANG MARKED. Suryoto Jurusan Matematika, FMIPA-UNDIP Semarang JURNAL MATEMATIKA DAN KOMPUTER ol. 4. No., - 22, Aprl 2, ISSN : 4-858 SUBRUANG MARKED Suryoto Jurusan Matemata, FMIPA-UNDIP Semarang Abstra Msalan suatu ruang vetor berdmens ngga atas lapangan omples C,

Lebih terperinci

BAB III MODUL INJEKTIF

BAB III MODUL INJEKTIF BAB III ODUL INJEKTIF Bab n adalah bab yang palng pentng arena bab n bers mula dar hal-hal dasar mengena modul njet sampa sat-sat stmewanya yang tda dml oleh modul lan yang tda njet, yang merupaan ous

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

Pengolahan lanjut data gravitasi

Pengolahan lanjut data gravitasi Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal

Lebih terperinci

MINGGU KE- V: UKURAN PENYEBARAN

MINGGU KE- V: UKURAN PENYEBARAN MINGGU KE- V: UKURAN PENYEBARAN Tujuan Instruksonal Umum :. Mahasswa mampu memaham apa yang dmaksud dengan ukuran penyebaran. Mahasswa mampu memaham berbaga pengukuran untuk mencar nla ukuran penyebaran

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk) Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

V E K T O R Kompetensi Dasar :

V E K T O R Kompetensi Dasar : MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear

REGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana

Lebih terperinci

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR

Statistika. Bab. Mean (rata-rata) Ukuran Pemusatan Ukuran Letak Median Modus Kuartil Desil A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Bab Statsta A KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Melalu proses pembelajaran statsta, sswa mampu menghayat pola hdup dspln, rts, bertanggungjawab, onssten, dan jujur serta menerapannya

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari

BAB II TINJAUAN PUSTAKA. Control chart pertama kali dikenalkan oleh Dr. Walter Andrew Shewhart dari BAB II TINJAUAN PUSTAKA. Pendahuluan Control chart pertama al denalan oleh Dr. Walter Andrew Shewhart dar Bell Telephone Laboratores Amera Serat pada tahun 94. Control chart adalah sebuah gra yang member

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)

MATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT) MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK Jurusan Ten Spl dan Lngungan FT UGM U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK SENIN, 4 JANUARI 23 OPEN BOOK WAKTU MENIT PETUNJUK ) Saudara tda boleh menggunaan omputer untu mengerjaan soal- soal ujan

Lebih terperinci

Bab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat

Bab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka

Lebih terperinci

UKURAN GEJALA PUSAT &

UKURAN GEJALA PUSAT & UKURAN GEJALA PUSAT & UKURAN LETAK UKURAN GEJALA PUSAT & LETAK Untuk mendapatkan gambaran yang jelas mengena suatu populas atau sampel Ukuran yang merupakan wakl kumpulan data mengena populas atau sampel

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN A III METODE PENELITIAN A. Tempat dan Watu Peneltan. Tempat Peneltan Obje dalam peneltan n adalah Kelas VIII M.Ts. Neger onang yang terleta d Kecamatan onang Kabupaten Dema.. Watu Peneltan Peneltan dlasanaan

Lebih terperinci

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA

DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu

Lebih terperinci

BAB 4 PERHITUNGAN NUMERIK

BAB 4 PERHITUNGAN NUMERIK Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat

Lebih terperinci

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,

Lebih terperinci

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4 Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba

Lebih terperinci

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.

BAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen. BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

PENDUGAAN PARAMETER MODEL HIDDEN MARKOV *

PENDUGAAN PARAMETER MODEL HIDDEN MARKOV * PEDUGAA PARAMETER MODEL HIDDE MARKOV * BERLIA SETIAWATY DA LIDA KRISTIA Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut Petanan Bogo Jl Meant, Kampus IPB Damaga, Bogo 6680 Indonesa

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat

BAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Tess ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Oleh : MUHAMMAD NAFI NRP.304008 PROGRAM PASCASARJANA PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI

Lebih terperinci

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

BAB IV PENGUJIAN DAN ANALISA

BAB IV PENGUJIAN DAN ANALISA BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv KUNI JWBN SO EOI FISIK OIMPIDE SINS NSION 00. a. Dhtung dahulu watu yang derluan dar beban dleas sama e etnggan masmum yatu t. v 0 at 0 0t t =0, seon. Ketnggan masmum yang dcaa beban dhtung dar ermuaan

Lebih terperinci

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod

Lebih terperinci

BAB VB PERSEPTRON & CONTOH

BAB VB PERSEPTRON & CONTOH BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur

Lebih terperinci

Regresi. Bahan Kuliah IF4058 Topik Khusus Informatika I. Oleh; Rinaldi Munir(IF-STEI ITB)

Regresi. Bahan Kuliah IF4058 Topik Khusus Informatika I. Oleh; Rinaldi Munir(IF-STEI ITB) Regres Bahan Kulah IF4058 Topk Khusus Informatka I Oleh; Rnald Munr(IF-STEI ITB) 1 Pendahuluan Regresadalahteknkpencocokankurvauntukdata ang berketeltanrendah. Contohdata ang berketeltanrendahdata haslpengamatan,

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Peneltan n menggunakan peneltan ekspermen; subyek peneltannya dbedakan menjad kelas ekspermen dan kelas kontrol. Kelas ekspermen dber

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik Prosdng Statsta ISSN: 2460-6456 Dagram Kontrol Fuzzy Multnomal Untu Data ngust 1 Amy Amallya Azzah, 2 Suwanda Idrs, 3 snur Wachdah 1,2,3 Prod Statsta, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas

Lebih terperinci

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh

BAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan

Lebih terperinci

Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak

Bab 3. Teori Comonotonic. 3.1 Pengurutan Variabel Acak Bab 3 Teor Comonotonc Pada bab n konsep teor comonotonc akan dpaparkan dar awal dan berakhr pada konsep teor n untuk jumlah dar peubah - peubah acak 1. Setelah tu untuk membantu pemahaman akan dberkan

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN 44 III. METODOLOGI PENELITIAN A. Metode Peneltan Menurut Arkunto (00:3) peneltan ekspermen adalah suatu peneltan yang selalu dlakukan dengan maksud untuk melhat akbat dar suatu perlakuan. Metode yang penuls

Lebih terperinci

BAB V INTEGRAL KOMPLEKS

BAB V INTEGRAL KOMPLEKS 6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan

Lebih terperinci

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE

BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan

Pendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk

Lebih terperinci

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut

Lebih terperinci

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,

Lebih terperinci