II. TINJAUAN PUSTAKA

Ukuran: px
Mulai penontonan dengan halaman:

Download "II. TINJAUAN PUSTAKA"

Transkripsi

1 II TINJAUAN PUSTAKA Pecobaa Multlokas Pecobaa multlokas meupaka seagkaa pecobaa ag seupa d bebeapa lokas ag mempua acaga pecobaa da pelakua ag sama U multlokas utuk vaetas taama paga membutuhka mmal 6 set pecobaa dalam satu musm d 6 lokas ag bebeda atau 0 lokas dega dua musm (0 set pecobaa) (Fahza 008) Model le utuk pecobaa multlokas dega geotpe sebaga pelakua adalah sebaga bekut: = ρ ε k dega: k() k k = espo da geotpe ke- pada lokas ke- dalam kelompok ke-k = la ata-ata umum = pegauh geotpe ke- = a ρ k() = pegauh kelompok ke-k tesaag pada lokas ke- k= = pegauh lokas ke- = b = pegauh teaks geotpe ke- dega lokas ke- ε k = pegauh ssaa da geotpe ke- dalam kelompok ke-k ag dlakuka d lokas ke- Tabel Aalss Ragam Model Acak (Fakto A da Fakto B acak) Sumbe Deaat Jumlah Kuadat Nla Haapa F keagama bebas (Db) kuadat (JK) tegah (KT) Kuadat tegah E(KT) a- JKA KTA ε b E(KTA)/E(KTAB) b- JKB KTB ε a E(KTB)/E(KTAB) (a-)(b-) JKAB KTAB ε E(KTAB)/E(KTG) Galat ab(-) JKG KTG ε Total ab- JKT

2 Tabel Aalss Ragam Model Campua Sumbe keagama Deaat bebas (Db) Jumlah kuadat (JK) Kuadat tegah (KT) Nla Haapa Kuadat tegah E(KT) a- JKA KTA ε b E(KTA)/E(KTG) b- JKB KTB ε (b/(b-)) a( β )/ (b-) E(KTB)/E(KTAB) (a-)(b-) JKAB KTAB ε (b/(b-)) Galat ab(-) JKG KTG ε Total ab- JKT F E(KTAB)/E(KTG) Metode Baes Metode Baes meupaka salah satu metode pedugaa paamete ag memafaatka fomas awal tetag paamete ag aka dduga (θ) ag basa dsebut sebaga fomas po ((θ)) da fomas da cotoh (x) Ifomas awal da fomas cotoh dkombaska membetuk suatu sebaa ag dsebut sebaga sebaa posteo ag meupaka sebaa dasa pegambla keputusa atau pegua dalam metode Baes (Bege 985) Sebaa posteo θ ka dketahu x dlambagka dega (θx) ddefska sebaga sebaa besaat θ ka data cotoh x dketahu Adaka θ da X memlk fugs kepekata besama: da X memlk kepekata magal: m ( x θ ) ( θ ) f ( x θ ) h = ( x) f ( x θ ) df ( θ ) = Maka utuk m(x) 0 dapat dpeoleh sebaa posteo sebaga bekut: Peetua Sebaa Po θ h = ( θ x) ( x θ ) m( x) Dugaa paamete megguaka pedekata baes membutuhka fomas po megea paamete-paamete tesebut Ifomas po ddapatka bedasaka op da peelt ag besagkuta atau bedasaka peelta sebeluma Hal la ag pelu dpehatka dalam meetuka fomas po adalah kougas dmaa posteo mudah ddapatka kaea posteo memlk betuk (fom) ag sama dega po (Lu 00) Sebaa po pada paamete d 3

3 semua lgkuga ddefska sebaga sebaa omal dega la tegah ol da agam sesua dega kods ag dgka (Edwads ad Jak 006) Sebaa po bekut ag dguaka utuk komputas dega metode baes pada model dega teaks: Sebaa Posteo ( ) ( ) ( ) N ; ~ N ; ~ N ; ~ ( ) ; ~ N ~ IG α β Sebaa po meeflekska pegetahua atau keaka peelt tetag paamete ag pada umuma fomas teseda (Mooe 997) Sedagka sebaa posteo meupaka efleks da pebaka la paamete setelah dlakuka obsevas cotoh Atau dega pekataa la sebaa posteo meupaka kombas ataa fomas awal tetag paamete dega fomas tetag paamete tesebut ag dbawa oleh data obsevas Sebaa posteo meagkum fomas tetag semua la ag tdak past (temasuk paamete ag tdak teobsevas hlag latet maupu data ag tdak teobsevas) dalam aalss baes (Gelma 00) Data ag dbetuk sebaga lkelhood dguaka sebaga baha utuk mempebahau fomas po mead sebuah fomas posteo ag sap utuk dguaka sebaga baha feesa Secaa aaltk fugs kepekata posteo dpeoleh da pekala ataa po dega lkelhood posteo lkelhood po Sebaa utuk (Y k θ) adalah: ( k θ ) ~ N( η ) dega η = da θ ddefska sebaga ( ) Sehgga ddapat Lkelhooda sebaga bekut: L ( θ ) = ( ) ( k η ) k = ab ( ) ( k ) ( η ) k 4

4 5 Sebaa posteo besama adalah (Lu00): Γ = β α β η θ θ α α k k ab L Sebaa posteo da masg-masg paamete dpeoleh da pekala ataa po da paamete dega lkelhood (Lu 00) Sebaa posteo utuk η ab ab ab K Sebaa posteo utuk ˆ η b b b Sebaa posteo utuk ˆ η a a a

5 Sebaa posteo utuk ( ) ( η ) ( ) Sebaa posteo utuk ˆ ( ) ( η ) ( α β ) ab IG α β ( k η ) 3 Gbbs Samplg Gbbs samplg adalah suatu tekk utuk membagktka peubah acak da sebaa (maal) secaa tdak lagsug tapa pelu meghtug fugs kepekataa (Casella & Geoge 99) Dega megguaka tekk Gbbs samplg kta dapat meghda pehtuga ag sult Gbbs samplg meupaka salah satu metode utuk membagu algotma Makov Cha Mote Calo (MCMC) Algotma MCMC dmplemetaska dega caa megambl cotoh beulag-ulag da p sebaa posteo besaat [θ θ θ p ] [θ p θ θ p ] (Albet 007) Gbbs Samplg bsa dteapka apabla dstbus pobabltas besama (ot pobablt dstbuto) tdak dketahu secaa eksplst tetap dstbus besaat (codtoal dstbuto) da tap-tap vaabel dketahu Algotma Gbbs samplg bsa dtulska sebaga bekut: 0 Tetuka la awal θ = ( 0) ( 0) ( θ K θ ) p Ulag lagkah bekut utuk l= M Bagktka Bagktka M Bagktka Θ l Θ l da da Θ p l da M 3 Smpa la { θ θ K θ } f k ( l ) ( l ) ( l ) ( θ θ θ θ ) 3 K f ( l ) ( l ) ( l ) ( θ θ θ θ ) 3 K f p ( l ) ( l ) ( l ) ( θ θ θ K θ ) p p p p 6

6 Fugs kepekata f f f p dsebut dstbus besaat peuh ag dguaka utuk smulas Walaupu dalam dmes tgg semua smulas adalah uvaate Masalah utama ag meam kesuksesa mplemetas smulas megguaka MCMC dalah umlah teas ag dpeluka sampa ata makov medekat kods stasoe (paag peode bu-) Sebaak teas sudah cukup sebaga peode bu- ka kta guaka dugaa MKT atau peduga kemugka maksmum (PKM) sebaga la awal (Lu00) 4 Bas da MSE Peduga paamete ag dhaslka dhaapka memlk tgkat ketepata ag tgg dmaa secaa ata-ata laa sesua dega la paamete Peduga sepet dsebut peduga tak bas Bas da peduga dapat duku sebaga bekut Bas ˆ = E ˆ (Lebao 006): ( ) ( ) Ada hal ag lebh petg dalam meguku kea peduga sela haa dega ketdakbasa Mea Squae Eo (MSE) meupaka salah satu dkato tepetg dalam megevaluas pess da suatu peduga MSE dapat meguku eo ag dhaslka da suatu peduga Nla MSE adalah sebaga bekut MSE ( ˆ ) ( ˆ ) ( ˆ E = va ) Bas ( ˆ ) = 5 Aalss AMMI Aalss AMMI meupaka gabuga da sdk agam pada pegauh adtf dega aalss kompoe utama pada pegauh multplkatf Pegauh multplkatf dpeoleh da peguaa teaks geotpe dega lokas mead kompoe utama teaks (KUI) Itepetas aalss AMMI megguaka bplot 5 Pemodela Aalss AMMI Lagkah awal utuk memula aalss AMMI adalah melhat pegauh adtf geotpe da lokas masg-masg megguaka sdk agam da kemuda dbuat betuk multplkatf teaks geotpe x lokas dega megguaka aalss kompoe utama Betuk multplkatf dpeoleh da peguaa teaks geotpe dega lokas mead kompoe utama teaks (KUI) Peguaa pegauh teaks geotpe dega lokas megkut pesamaa sebaga: = λ v s λ v m s m φ m = m = λ v s φ 7

7 dega: m = baaka KUI ag ata pada taaf 5% sehgga pesamaa model le pecobaa multlokas dega aalss AMMI mead: m k = ρ k() λ v s φ ε = k dega: k = espo da geotpe ke- pada lokas ke- dalam kelompok ke-k = la ata-ata umum = pegauh geotpe ke- = g ρ k() = pegauh kelompok ke-k tesaag pada lokas ke- k= = pegauh lokas ke- = l λ = la sgula utuk kompoe ble ke- λ λ v = pegauh gada geotpe ke- melalu kompoe ble ke- s = pegauh gada lokas ke- melalu kompoe ble ke- λm φ = ssaa da pemodela le ε k = pegauh ssaa da geotpe ke- dalam kelompok ke-k ag dlakuka d lokas ke- = baaka KUI ag dpetahaka dalam model 5 Pehtuga Jumlah Kuadat Pegauh adtf geotpe da lokas dhtug sebagamaa umuma pada aalss agam tetap bedasaka pada data ataa pe geotpe x lokas Pegauh gada geotpe da lokas pada teaks dduga dega z = sehgga umlah kuadat teaks dapat dtuuka sebaga bekut: JK( GL) = z = = teas( zz') ( ) 8

8 Bedasaka teoema pada alaba matks bahwa teas da suatu matks sama dega umlah seluuh aka c matks tesebut t ( A ) = λ maka umlah kuadat utuk pegauh teaks kompoe ke- adalah aka c ke- pada pemodela ble tesebut ( λ ) ka aalss agam dlakuka tehadap ataa pe geotpe x lokas Jka aalss agam dlakuka tehadap data sebeaa maka umlah kuadata adalah baak ulaga kal aka c ke- ( λ ) Pegua masg-masg kompoe dlakuka dega membadgkaa tehadap kuadat tegah galat gabuga 53 Peguaa Nla Sgula Peguaa la sgula matks dugaa pegauh teaks dguaka utuk meduga pegauh teaks geotpe x lokas Peguaa dlakuka dega memodelka matks tesebut sebaga pekala matks : Z = U L A Dega Z adalah matks data tepusat beukua g x l; L adalah matks dagoal aka da aka c postf buka ol da Z Z beukua m x m Kolom-kolom matks A adalah vekto c-vekto c da matks Z Z A meupaka matks otoomal; da U beupa matks otoomal dumuska sebaga : U = Z A L- 54 Nla Kompoe AMMI Pegauh gada geotpe ke- dduga melalu usu-usu matks A pada bas ke- kolom ke- sedagka peduga da pegauh gada lokas ke- adalah eleme matks U pada bas ke- kolom ke- dega kedala v = s = utuk = m da v = s = 0 utuk Usu-usu v ' s ' dagoal matks L meupaka peduga utuk λ adalah Sko kompoe ke- utuk geotpe ke- adalah λ k s k v λ da utuk lokas ke- Peduga utuk teaks geotpe dega lokas dpeoleh da pekala la kompoe geotpe da la kompoe lokas Dega k medefska L (0 k ) sebaga matks dagoal ag usu-usu dagoala beupa eleme-eleme matks L dpagkatka k Demka uga utuk 9

9 matks k L da k G = UL seta dapat dtuls dalam betuk : H k AL = maka hasl peguaa la sgula ' Z = GH Sehgga dugaa la kompoe utuk geotpe adalah kolom-kolom matks G da dugaa la kompoe utuk lokas adalah kolom-kolom matks H Nla k ag dguaka pada aalss AMMI adalah ½ 55 Peetua Baaka Kompoe AMMI Metode ag dguaka utuk meetuka baaka Kompoe Utama Iteaks (KUI) ag dpetahaka dalam model AMMI (Gauch 988 dalam Mattk 000) atu : Metode Kebehasla Total (postdctve success) Metode behubuga dega kemampua suatu model teeduks utuk meduga data ag dguaka dalam membagu model tesebut Baaka kompoe AMMI sesua dega baaka sumbu KUI ag ata pada u-f aalss agam Utuk sumbu KUI ag tdak ata dgabugka dega ssaa Metode dusulka oleh Gollob (986) ag selauta dekomedaska oleh Gauch (988) Tabel aalss AMMI (Tabel 3) meupaka peluasa da tabel peguaa umlah kuadat teaks mead bebeapa umlah kuadat KUI Tabel 3 Tabel aalss agam AMMI Sumbe Db JK Lgkuga l- JKL Blok(Lgk) l(-) JKB Geotpe g- JKGe Ge*Lgk (l-)(g-) JK(L*G) KUI- gl--() JKKUI- KUI- gl--() JKKUI- KUI-m gl--(m) JKKUI-m Ssaa Peguaga JKSsaa Galat gab l(g-)(-) JKG Total lg- 0

10 Metode Kebehasla Ramala (pedctve success) Metode behubuga dega kemampua suatu model dugaa utuk mempedks data la ag sees tetap tdak dguaka dalam membagu model tesebut (data valdas) Peetua baaka sumbu kompoe utama dlakuka dega valdas slag atu membag data mead dua kelompok satu kelompok utuk membagu model da kelompok la dpaka utuk valdas (meetuka kuadat selsh) Tekk dlakuka beulag-ulag pada tap ulaga dbagu model dega sumbu kompoe utama Baaka KUI tebak adalah model dega ataa aka kuadat tegah ssaa (oot meas squae dffeet= RMSPD) tekecl RMSPD = g l ( xˆ x ) = = g l 56 Selag Kepecaaa Elps Selag kepecaaa Elps adalah selag kepecaaa pada bplot dega pusat (00) utuk detfkas geotpe stabl KUI KUI Stabl Tdak Stabl 00 KUI 00 KUI Gamba Bplot AMMI- Poses pembuata elps megguaka fomulas sebaga bekut : ( ) F p( α) p = ± λ dega : : paag a-a = utuk a-a paag = utuk a-a pedek : baaka pegamata (geotpe lgkuga) : aka c ke- da matks koagam (S) sko kompoe geotpe λ lgkuga

11 λ : la sgula da matks koagam (S) KUI da KUI F : la sebaa F dega db = da db =- pada taaf α =5 % ( α ) Sehgga umus datas dapat dsedehaaka sebaga bekut : = ± λ ( ) F ( α)

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian 3 III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMAN Teusa Nuya. Populas dalam peelta adalah seluuh sswa kelas X SMAN Teusa Nuya semeste geap tahu pelajaa / yag bejumlah lma kelas. Kemampua

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Bulet Ilmah Mat. Stat. da eapaa (Bmaste) Volume 0, No. (0), hal 79-86. ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI PRODUKSI ANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Zaal Ap, Muhlasah Novtasa Maa, Neva Satahadew

Lebih terperinci

KLASIFIKASI GENOTIPE PADA DATA TIDAK LENGKAP DENGAN PENDEKATAN MODEL AMMI

KLASIFIKASI GENOTIPE PADA DATA TIDAK LENGKAP DENGAN PENDEKATAN MODEL AMMI Forum Statstka da Komputas, prl 007, p: -7 ISSN : 08-8 Vol No. KLSIFIKSI GNOTIP P T TIK LNGKP NGN PNKTN MOL MMI hmad sor Mattk, I Made Sumertaaa, da Pka Slvat eparteme Statstka FMIP IP Rgkasa Percobaa

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

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB METODE PENELTAN 3.1 Tempat da Waktu Peelta Peelta dlaksaaka d areal/wlaah koses huta PT. Sarmeto Parakata Tmber, Kalmata Tegah pada bula Aprl sampa dega Me 007. 3. Baha da Alat Baha ag dguaka utuk

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

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

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

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMA YP Ula Badalampug yag belokas d Jl. Jedal R. Supapto No.88 Tajug Kaag Badalampug. Populas yag dguaka dalam peelta adalah seluuh sswa kelas

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

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

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

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

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

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

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

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

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

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge JURNAL SAINS DAN SENI IS Vol. 4, No., (015 337-350 (301-98X Pt D175 Pemodela Ideks Pembagua Mausa (IPM Povs Jawa mu Dega Megguaka Metode Reges Logstk Rdge Dw Maumee Puta da Vta Ratasa Juusa Statstka, Fakultas

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

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

BAB III MATERI DAN METODE. non karkas kambing Jawarandu betina dilaksanakan pada bulan Juli sampai

BAB III MATERI DAN METODE. non karkas kambing Jawarandu betina dilaksanakan pada bulan Juli sampai BAB III MATERI DAN METODE Peelta tetag hubuga ataa bobot potog dega bobot kakas da o kakas kambg Jawaadu beta dlaksaaka pada bula Jul sampa dega Oktobe 2016 d tempat pemotoga hewa (TPH) Bustama d Jala

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

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

ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE

ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE UNTUK MENENTUKAN PROBABILITAS TERJADINYA KEBAKARAN YANG DISEBABKAN OLEH GAS ELPIJI DI KOTA SURAKARTA Nurmaltasar Jurusa Sstem Iformas, STMIK Duta Bagsa

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

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

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

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

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

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

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1 68 BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN A. Hasl Peelta Adapu hasl peelta aka djelaska sebaga bekut : TABEL 4. Tabel IQ, Iteleges Gada da Tes Hasl Belaja pada Pokok Bahasa Kesebagua Kelas

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

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

BAHAN DAN METODE. Waktu dan Tempat. Bahan dan Alat

BAHAN DAN METODE. Waktu dan Tempat. Bahan dan Alat BAHAN DAN METODE Waktu da Tempat Peelta dlaksaaka pada musm hua (MH) 010/011 da 011/01 d 7 (tuuh) lokas yatu Tama Bogo da Natar (Lampug); Sukabum da Idramayu (Jawa Barat); Purworeo (Jawa Tegah); Woosar

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

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

IV. BAHAN DAN METODE PENELITIAN

IV. BAHAN DAN METODE PENELITIAN IV. BAHAN DAN METODE PENELITIAN 4. Tempat da Waktu Peelta Peelta dlakuka pada areal huta alam d pulau Yamdea Kabupate Maluku Teggara Barat, Provs Maluku selama bula Aprl sampa Ju 009. Peta lokas peelta

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan III. METODE PENELITIAN A. Metode Peelta Peelta betujua megetahu hubuga testas kegata ekstakulkule Pamuka, da PMR pada sswa Kelas VIII SMP Nege Guug Labuha Way Kaa dega pestas belaja IPS semeste gajl tahu

Lebih terperinci

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson Estmas Paamete Data Teseso Tpe I Bedstbus Loglogstk Megguaka Maxmum Lkelhood Estmate da Iteas Newto-Rhapso Alfes Fauk Fakultas MIPA, Uvestas Swjaya; emal: alfesfauk@us.ac.d Abstact: Suvval aalyss s oe

Lebih terperinci

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel

PRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

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

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange

PRAKTIKUM 20 Interpolasi Polinomial dan Lagrange Praktkum 0 Iterpolas Polomal da Lagrage PRAKTIKUM 0 Iterpolas Polomal da Lagrage Tuua : Mempelaar berbaga metode Iterpolas ag ada utuk meetuka ttkttk atara dar buah ttk dega megguaka suatu fugs pedekata

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

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

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA 1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Pada bab ini akan dibahas mengenai konsep-konsep yang akan digunakan

BAB II TINJAUAN PUSTAKA. Pada bab ini akan dibahas mengenai konsep-konsep yang akan digunakan BAB II TINJAUAN PUSTAKA Pada bab aka dbahas megea kosep-kosep yag aka dguaka dalam peelta, yatu metode Reges Logstk Odal (RLO) da Algotma Cat Swam Optmzato (CSO). Dalam hal dguaka pedekata eges utuk membetuk

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Ceate b Smpo PDF Ceato Po (uegstee veso) http://www.smpopf.com Statstk Bss : BAB 9 IX. ANALISIS REGRESI DAN KORELASI 9. Peahulua Metoe aalss eges a koelas kembagka utuk mempelaja pola a meguku hubuga statstk

Lebih terperinci

ENUMERASI ISOMORFISME GRAF SEDERHANA DENGAN MENGGUNAKAN TEOREMA POLYA I & II

ENUMERASI ISOMORFISME GRAF SEDERHANA DENGAN MENGGUNAKAN TEOREMA POLYA I & II ENUMERASI ISOMORFISME GRAF SEDERHANA DENGAN MENGGUNAAN TEOREMA POLYA I & II Dsusu utuk memeuh tugas Mata ulah Matematka Dskt Semeste I Peode 006/007 Dsusu oleh : Daag Aef Setaa 505090 PROGRAM STUDI TENI

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

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

Analisis Regresi dan Korelasi

Analisis Regresi dan Korelasi Metode Statstka Pertemua III Aalss Regres da Korelas Pegatar Apa tu aalss regres? Apa edaya dega korelas? Aalss Regres Aalss statstka yag memafaatka huuga atara dua atau leh peuah kuattatf sehgga salah

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

BAB 2 KAJIAN TEORITIS

BAB 2 KAJIAN TEORITIS 9 BAB KAJIAN TEORITIS. Deskps Teo.. Kosep Dasa Rekayasa Pat Luak... Pegeta Rekayasa Pat Luak Pegeta ekayasa pat luak petama kal dpekealka oleh Ftz Baue sebaga peetapa da pegguaa psp-psp ekayasa dalam usaha

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian:

PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian: isip/kaidah pekalia: ELUANG Jika posisi /tempat petama dapat diisi dega caa yag bebeda, tempat kedua dega caa, da seteusya, sehigga lagkah ke ada caa maka bayakya caa utuk megisi tempat yag tesedia adalah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

PEMODELAN STATISTIKA DENGAN TRANSFORMASI BOX COX

PEMODELAN STATISTIKA DENGAN TRANSFORMASI BOX COX JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 3, 8-7, Desemer 4, ISSN : 4-858 PEMODELAN STATISTIKA DENGAN TRANSFORMASI BO CO Dw Ispryat Staf Pegajar Jurusa Matematka Fakultas MIPA UNDIP Semarag Astrak Aalss

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

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

ANALISIS HUBUNGAN MULTI CHANNEL LEARNING DENGAN INDEKS PRESTASI MAHASISWA MENGGUNAKAN VARIABEL UTAUT DAN ANALISIS LINTASAN

ANALISIS HUBUNGAN MULTI CHANNEL LEARNING DENGAN INDEKS PRESTASI MAHASISWA MENGGUNAKAN VARIABEL UTAUT DAN ANALISIS LINTASAN ANALII HUBUNGAN MULTI HANNEL LEARNING DENGAN INDEK PRETAI MAHAIWA MENGGUNAKAN VARIABEL UTAUT DAN ANALII LINTAAN utato Halm Paata; Ngaap Im Mak Mathematcs & tatstcs Depatmet, chool of ompute cece, Bus Uvesty

Lebih terperinci

KONSEP NILAI HARAPAN KUADRAT TENGAH

KONSEP NILAI HARAPAN KUADRAT TENGAH ROZA AZIZAH PRIMATIKA, M.Si KONSEP NILAI HARAPAN KUADRAT TENGAH Pengantar Salah satu komponen penting dalam perancangan percobaan adalah analisis ragam (anova) Komponen utama dalam menyusun analisis ragam

Lebih terperinci

Pengajar: Dr. Agus M Soleh

Pengajar: Dr. Agus M Soleh Pegajar: Dr. Agus M Soleh Surve percobaa populato sample hmpua semua objek ag mejad mat pegambla kesmpula hmpua baga dar populas melakuka pegamata terhadap seluruh populas sergkal tdak mugk dlakuka ketka

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

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA 3. Pegkodea Matrks Ketetaggaa Matrks ketetaggaa A adaah matrks smetr, sehgga, dega memh semua eeme pada dagoa utama da eeme-eeme dbawah dagoa utama, maka aka

Lebih terperinci

JENIS BUNGA PEMAJEMUKAN KONTINYU

JENIS BUNGA PEMAJEMUKAN KONTINYU JENIS BUNGA PEMAJEMUKAN KONTINYU Suku Buga Nomal Suku Buga Efektf Hubuga ataa Suku Buga Nomal da Efektf Aus Daa Dskt da Aus Daa Kotyu SUKU BUNGA NOMINAL & SUKU BUNGA EFEKTIF Selama daggap aus daa (peemaa

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

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

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 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 X. PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian:

BAB X. PELUANG. Terjadinya 2 kemungkinan kejadian yaitu : AB, AC, AD, BA, BC, BD, CA, CB, CD, DA, DB, DC = 12 kemungkinan. Prinsip/kaidah perkalian: isip/kaidah pekalia: BAB X. ELUANG Jika posisi /tempat petama dapat diisi dega caa yag bebeda, tempat kedua dea caa, da seteusya, sehigga lagkah ke ada caa maka bayakya caa utuk megisi tempat yag tesedia

Lebih terperinci

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS

PENAKSIR REGRESI CUM RASIO UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN KOEFISIEN KURTOSIS DAN KOEFISIEN SKEWNESS PENAKIR REGREI CUM RAIO UNTUK RATA-RATA POPULAI DENGAN MENGGUNAKAN KOEFIIEN KURTOI DAN KOEFIIEN KEWNE usta Wula ar *, Arsma Ada, Haposa rat Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci