ESTIMASI PARAMETER DARI DISTRIBUSI WEIBULL TERMODIFIKASI

Ukuran: px
Mulai penontonan dengan halaman:

Download "ESTIMASI PARAMETER DARI DISTRIBUSI WEIBULL TERMODIFIKASI"

Transkripsi

1 ESIMSI PMEE DI DISIBUSI WEIBULL EMODIFIKSI Nama Mahasswa : mboo Puto NP : 48 Juusan : Matmatka FMIP-IS Dosn Pmbmbng : Ds. Fada gustn Wdjajat, MS bstak Sahan dan Zanudn (8) mmpknalkan gnalsas da dstbus Wbull ang dnamakan dngan dstbus Wbull tmodfkas (Modfd Wbull Dstbuton). Dalam ugas kh n, akan dsldk mngna sfat-sfat da MWD (Modfd Wbull Dstbuton). Slanjutna, paamt da dstbus MWD akan dstmas bdasakan data p II dngan mnggunakan mamum lklhood dan last squa. Masng-masng da dua mtod n akan mnghaslkan bbapa psamaan non ang nantna akan dgunakan untuk mnca nla stmas da paamt (,, ). Slanjutna, psamaan-psamaan non tsbut dslsakan dngan mnggunakan mtod bsks. Dalam possna nant akan dgunakan data ang tlah dbangktkan dngan mnggunakan mtod accptanc-djcton. Hasl ang ddapat kmudan dbandngkan. Da pbandngan kdua hasl stmas dpolh bahwa mtod Last Squa mmpuna nla MSE (oot Man Squa Eo) ang lbh bsa dapada mtod MLE (Mamum Lklhood Estmato). Hal n mnunjukkan bahwa dalam pmasalahan n mtod MLE (Mamum Lklhood Estmato) mmbkan stmas ang lbh tpat dapada mtod Last Squa. Kata kunc: Mamum lklhood, Last Squa.. PENDHULUN Dstbus ang basa dgunakan dalam pnapan labltas adalah dstbus ksponnsal, algh, Ln Falu at Dstbuton (LFD) dan dstbus Wbull. Dstbus ksponnsal mmlk fungs aso kgagalan ang konstan sdangkan dstbus algh mmpuna fungs aso kgagalan ang nak. Ln Falu at Dstbuton (LFD) mupakan pluasan da kdua dstbus algh dan ksponnsal ang mmpuna fungs aso kgagalan tuun. Dtbus Wbull juga mupakan pngmbangan da dua dstbus, atu algh dan ksponnsal ttap mmlk aso kgagalan nak atau tuun. Dstbus Wbull tmodfkas mupakan pluasan da dstbus LFD dan dstbus Wbull. MWD (Modfd Wbull Dstbuton) sangat bguna dalam pnapanna pada modl-modl labltas. Dstbus Wbull tmodfkas dngan tga paamt,, dnotaskan dngan MWD (,, ). Psamaan CDF da MWD (,, ) dbkan olh: F L ( ;,, ) p{ }, Dmana,, sdmkan hngga. lhat bahwa dstbus n mupakan pluasan da k mpat dstbus sblumna. Dalam ugas kh n akan dbahas mngna stmas tga paamt da MWD (,, ). Dalam poss stmas akan dgunakan posdu mamum lklhood dan last squa. Estmas paamt akan dlakukan dngan mnggunakan data tsnso p II. Pmasalahan ang dbahas dalam ugas kh n adalah bagamana sfat-sfat da MWD (,, ) dan mngstmas paamt pada MWD (,, ). Sdangkan batasan masalah ang dgunakan dalam pnulsan ugas kh adalah stmas paamt hana dlakukan bdasakan data tsnso tp II. ujuan dalam ugas kh n adalah mngtahu sfat-sfat da MWD (,, ) dan mndapatkan stmas paamt da MWD (,, ).. INJUN PUSK. DISIBUSI WEIBULL Sblum dbahas lbh lanjut mngna dstbus wbull, akan djlaskan tlbh dahulu mngna konsp lablt, avalablt dan mantanablt[8]. Stlah tu, akan dbahas mngna pnjlasan tntang dstbus wbull... Konsp lablt Kandalan dapat ddfnskan sbaga pobabltas sstm akan mmlk knja ssua fungs ang dbutuhkan dalam pod waktu ttntu... Konsp Mantanablt Ktawatan ddfnskan sbaga pobabltas suatu sstm / komponn akan kmbal pada kadaan

2 ang mmuaskan dan dalam konds opas mampu mncapa waktu downtm mnmum. Dfns lan ktawatan adalah pobabltas bahwa komponn atau sstm ang usak akan dpbak k dalam suatu konds ttntu dalam pod waktu ttntu ssua dngan posdu ang tlah dtntukan. Posdu pawatan mlbatkan pbakan, ktsdaan sumb daa pawatan (tnaga kja, suku cadang, palatan, dan sbagana), pogam pawatan pncgahan, kahlan tnaga kja dan jumlah oang ang tmasuk d dalam bagan pawatan tsbut...3 Konsp valblt Ktsdaan dapat ddfnskan sbaga pobabltas suatu sstm bopas ssua fungsna dalam suatu waktu ttntu dalam konds opas ang tlah dttapkan. Shngga ktsdaan mupakan fungs da suatu sklus waktu opas (lablt) dan waktu downtm (mantanablt). Dstbus wbull ptama kal dpknalkan olh fskawan Swda, Walodd Wbull, pada tahun 939. Suatu pubah acak bdstbus Wbull, dngan paamt dan jka mmlk Pdf bbntuk: f,, untuk ang lanna ; dan Man dan vaans da dstbus Wlbull masng-masng dbkan olh Man (Nla Haapan): EX ( ) Vaans:. D ESENSO IPE II da tga macam tp pnnsoan data atu :. Snso tp I Smua obk ang dtlt (n) masuk pngujan dalam waktu ang bsamaan, dan pngujan dhntkan stlah batas waktu pngujan t ang dtntukan. Klmahan da snso tp I n bsa tjad sampa batas waktu t ang dtntukan smua obk tdak ada ang gagal shngga tdak dpolh data ksalahan ang dngnkan.. Snso tp II Smua obk ang dtlt (n) masuk pngujan dalam waktu ang bsamaan, dan pngujan dhntkan stlah mndapatkan obk dantaana gagal, dngan n. Klmahan da snso tp II n waktu ang dplukan untuk mmpolh obk ang gagal. 3. Snso tp III Obk masuk dalam pngujan pada waktu ang tdak bsamaan slama pod waktu ang tlah dtntukan. Bbapa obk ang gagal sblum pngamatan bakh mmpuna data ksalahan (o), sbagan lan mash ttap bhasl sampa waktu pngujan bakh..3 DISIBUSI EKSPONENSIL dak slamana dstbus nomal dapat dgunakan untuk mmcahkan masalah tknk dan sans. Contohna dalam to antan dan kandalan, kuang tpat bla dgunakan pndkatan dngan dstbus nomal, dstbus ksponnsal dan Gamma lbh tpat mnjad solusna. Dstbus ksponnsal adalah sbuah kasus khusus dstbus gamma (dngan ). Suatu pubah acak bdstbus ksponnsal, dngan paamt jka mmlk Pdf bbntuk: f,, untuk ang lanna dngan..4 DISIBUSI YLEIGH Dstbus algh mmpuna Pdf (pobablt dnst functon ) dbkan olh : p( ),, f, untuk ang lan Sdangkan cumulatv dstbuton functon (CDF) atau fungs dstbus kumulatf : F( ) p.5 MXIMUM LIKELIHOOD ESIMION Estmas MLE dkmbangkan olh..fsh, ang mnatakan bahwa dstbus pobabltas ang dngnkan adalah dstbus ang mampu mnca nla da paamt-paamt. Pncaan nla paamt n dlakukan dngan mmaksmalkan fungs lklhood, L ( w ). Paamt n dsbut stmas MLE dan dnotaskan dngan

3 W MLE w, MLE, w, MLE,, wk, MLE. Untuk mmpmudah phtungan, Pncaan nla paamt n dlakukan dngan mmaksmalkan fungs loglklhood, L ( w ). Kana kdua fungs, L ( w ) dan L ( w ), mupakan fungs ang scaa monoton sag bkatan. Shngga stmas MLE ang sama dapat dpolh dngan mmaksmumkan salah satu da kdua psamaan tsbut..6 LES SUE POCEDUE Msalkan dbkan data,,,, N, N bkatan dngan psamaan a b. Dapat ddfnskan fungs o sbaga bkut: E( a, b) N n an b n Dmana N mnunjukkan vaans hmpunan data a b, a b,, N an b. ujuanna adalah mnca nla da a dan b dngan o pag kcl. Dua konstanta n dapat dpolh dngan mnlsakan psamaan bkut: E E dan a b.7 MEODE CCEPNCE-EJECION Dalam poss pmbangktan data tsnso tp II ang bdstbus wbull tmodfkas, dbutuhkan suatu mtod khusus, atu mtod accptancjcton. Hal n dlakukan kana MWD (Modfd Wbull Dstbuton) bukan mupakan dstbus statstka pada umumna. Mtod ccptanc-jcton adalah suatu algotma untuk mmbangktkan andom sampl da sbaang dstbus pobabltas, dbkan spt andom sampl da dstbus tkat dan dstbus nomal. Dmsalkan X adalah vaabl andom dngan suatu dstbus pobabltas. Kmudan, dmsalkan pula U sbaga vaabl bdstbus nomal pada ntval [, ], dan Y adalah vaabl andom ang ngn dbangktkan.pada bbapa aplkas, X dan Y kdua-duana adalah vaabl andom kontnu dngan kapatan (dnsts) g dan f. Shngga dpolh f ( ) dnst ( ), dngan f ( ) c g( ), c. g( ) dapun posdu untuk mmbangktkan nla da data Y adalah sbaga bkut:. Mmbangktkan nla da data X. Mmbangktkan nla da data U ( ) 3. Jka U, maka Y X (dtma). c ( ) 4. Jka U kmbal k langkah sampa c dpolh nla untuk data Y spt pada langkah 3..8 MEODE BISEKSI Salah satu mtod untuk mnca pnlsaan da suatu psamaan non adalah dngan mtod bsks. Pada umumna, suatu fungs f () mngalam pgantan tanda pada kdua ss ang blawanan da kdudukan aka. Jka f () l dan kontnu dalam suatu ntval l, u sta f ( l ) dan f ( u ) bgant tanda, atu f ( l ) f ( u ).Shngga skuangkuangna tdapat satu aka pada slang tsbut (pada slang l, u ). lgotma da mtod n adalah sbaga bkut. Langkah Plh taksan tndah l dan taksan ttngg u untuk aka aga fungs bubah tanda spanjang ntval. In dapat dpksa dngan maknkan bahwa f ) f ). ( l ( u Langkah aksan ptama, l u dbkan olh: Langkah 3 Buat valuas bkut untuk mnntukan subntval mana ang ddalamna tdapat aka pnlsaan a. Jka f ( l ) f ( ), maka aka tltak pada subntval ptama. Maka, dan lanjutkan k Langkah 4. u 3

4 b. Jka f ( l ) f ( ), maka aka tltak pada subntval kdua. Maka, dan lanjutkan k Langkah 4. l aka c. Jka f ) f ), maka ( l ( dan pnghtungan dhntkan. Langkah 4 Htung taksan bau aka dngan: l u Langkah 5 ntukan apakah taksan bau ssua kngnan (ssua o ang dngnkan). Jka tdak, kmbal k Langkah 3. Eo ang dmaksud dapat dhtung dnagn caa bkut: ( bau) % ( bau) 3 SIF-SIF MWD (Modfd Wbull Dstbuton) Fungs suvval da MWD (Modfd Wbull Dstbuton) dbkan olh: S( ) p,.....(3.) dmana,, sdmkan hngga. Sdangkan Pdf da MWD (,, ) adalah f ( ;,, ) p{ },...(3.) Gamba bkut mnunjukkan bbapa pola da Pdf MWD (Modfd Wbull Dstbuton) (,, ). Gamba. Pola Bbda da Pdf MWD (,, ) Wana mah mnunjukkan Pdf untuk nla,.5 dan. 5 dan wana hjau mnunjukkan Pdf untuk nla, dan 6. Sdangkan ang bwana bu mnunjukkan Pdf da MWD untuk nla, dan. 5 [6]. Fungs aso kgagalan da MWD dbkan olh: h ;,, Sfat-sfat da fungs sko dapat dlhat da sfatsfat tuunanna. Sdangkan tuunan da fungs aso kgagalan thadap vaabl adalah: h ;,,... (3.3) Psamaan (4.3) dsamadngankan nol () aga dapat dpolh sfat fungs aso kgagalanna. Jad, fungs aso kgagalan mupakan suatu fungs konstan jka, mupakan suatu fungs nak jka, dan mupakan suatu fungs tuun jka. Gamba bkut mnunjukkan sfat-sfat tsbut dngan mnggant nla dngan,. 5,dan.5. Gamba. Fungs aso kgagalan Untuk Nla Yang Bbda Gafk dngan wana mah mnunjukkan nla fungs aso kgagalan untuk nla,. 5 dan, wana hjau mnunjukkan nla fungs aso kgagalan untuk nla,. 5 dan. 5. Sdangkan ang bwana bu mnunjukkan nla fungs aso kgagalan da MWD untuk nla,.5 dan ESIMSI PMEE Dasumskan tdapat n data ang dgunakan dalam uj klaakan. Poss pngujan dlakukan sampa ddapatkan kal kgagalan. Dasumskan bahwa kgagalan sbanak adalah 3. Msalkan mnotaskan nfomas ang dpolh da poss pngujan. Shngga dpolh, n, :,, 3,. Dasumskan pula bahwa klaakan stap data mngkut fungs Pdf da MWD 4

5 (Modfd Wbull Dstbuton), spt dnatakan dalam psamaan (3.). 4. ESIMSI PMEE MENGGUNKN MEODE MXIMUM LIKELIHOOD ESIMION. tk Estmas Fungs lklhood da dbkan olh: ( n) S ;,, f ;,,! n! L( ) n...(4.) Dngan mlakukan substtus psamaan (3.) dan (3.) pada psamaan (4.) dpolh: L p n!! n! (4.) n n Dmana, n dan n. Psamaan log lklhood da L adalah: L C (4.3) dngan C n! n! Kmudan, akan dhtung tuunan ptama da ang bgantung pada,, lalu dsamadngankan nol (), shngga ddapatkan psamaan log lklhood dalam psamaan non a dalam,, sbaga bkut: uunan ptama psamaan log lklhood thadap dsamadngankan nol (), shngga ddapat: (4.4) uunan ptama psamaan log lklhood thadap dsamadngankan nol (), shngga ddapat: (4.5) uunan ptama psamaan log lklhood thadap dsamadngankan nol (), shngga ddapat: Kana n (4.6), maka dpolh : d n d Untuk mnca MLE (Mamum Lklhood Estmato) da,,, psamaan non a (4.4),(4.5) dan (4.6) ang bgantung pada,, haus dslsakan. Untuk tu, akan dgunakan mtod bsks dalam mnlsakan psamaan-psamaan tsbut. dapun langkah-langkah ang dlakukan untuk mndapatkan pnlsaan dngan mnggunakan bsks adalah sbaga bkut: Langkah Plh taksan tndah,, dan taksan ttngg,, untuk aka aga fungs bubah tanda spanjang ntval. In dapat dpksa dngan maknkan bahwa f ( ) f ), f ) f ), f ) f ) ( ( ( ( (. Dngan fungs f adalah psamaan (4.7) (4.9), atu: 5

6 Langkah aksan ptama,, dan dbkan olh:,, Langkah 3 Buat valuas bkut untuk mnntukan subntval mana ang ddalamna tdapat aka pnlsaan a. f ) f ), f ) f ), ( ( ( ( f ( ) f ( ),aka tltak pada subntval ptama. Maka, u, u, u dan lanjutkan k Langkah 4. b. f ) f ), f ) f ) ( ( ( ( (, f ( ) f ), aka tltak pada subntval kdua. Maka, l, l, l dan lanjutkan k Langkah 4. c. f ) f ), f ) f ), ( ( ( ( f ( ) f ( ), maka aka,, dan pnghtungan dhntkan. Lamgkah 4 Htung taksan bau aka dngan:,, Langkah 5 ntukan apakah taksan bau ssua kngnan (ssua o ang dngnkan). Jka tdak, kmbal k Langkah 3. Eo ang dmaksud dapat dhtung dnagn caa bkut: ( bau) % ( bau) ( bau) % ( bau) ( bau) % ( bau). Batas Intval Kpcaaan Matks nfomas paamt,, dpolh da pada tuunan kdua thadap,,, ang dpolh sbaga bkut: Dngan Dngan Dngan dngan Dngan 3 3 Dngan

7 33 dan n Shngga olh : I I I I 3 matk nfomas paamt dbkan I I I 3 I I I Jad matk covaan-vaan dapat ddkat olh : V V V3 3 V V V V3 3 V3 V3 V Spt ang sudah dktahu bahwa dstbus asmtots da MLE (,, ) dbkan olh : V V V3 ~ N, V V V3...(4.7) V 3 V3 V33 Kana V mmuat paamt,,, maka paamt-paamt tsbut dgant olh paamtpaamt ang bkatan dngan MLE, atu hasl stmas da V, ang dnotaskan dngan : Dmana V j 3 j ktka ,, dgant dngan,,. Dngan mnggunakan (4.),dpolh: z V, z V, dan z V 33 Shngga ddapatkan pndkatan thadap ntval kpcaaan ( )% da,, btuut-tuut adalah:,, z V z V...(4.8) z V 33 dngan z adalah dstbus nomal standa. 4. ESIMSI PMEE MENGGUNKN MEODE LES SUE Dbkan waktu tamat dalam sampl MWD,,. Kmudan Last Squa akan dgunakan untuk mngstmas paamt,, ang dnotaskan dngan (,, ). Estmas dngan mnggunakan mtod Last Squa dawal mlakukan tansfomas logatma natual sbagamana dtuunkan sbaga bkut: F ( ;,, ) p{ }, L p{ {p{ } F F S S Ddapatkan psamaan: ( ;,, ) }} F L L L ( ;,, ) ( ;,, )...(4.9) dngan S ( ) dan S ( ) adalah stmas da S() pada obsvas,,, m ang dbkan olh S.5 ( ). Shngga paamtpaamt,, dapat dpolh mlalu mnmalsas psamaan kuadat tkcl (4.9). Untuk mndapatkan,, dplukan tuunan ptama da psamaan (4.9) thadap, ang dtunjukkan sbaga bkut: uunan ptama da psamaan (4.9) thadap, ang dtunjukkan sbaga bkut: Dan tuunan ptama da psamaan (4.9) thadap, ang dtunjukkan sbaga bkut: 7

8 8 Untuk mndapatkan nla mnmum, maka,, dan. Shngga dpolh :...(4.), dpolh :...(4.), shngga dpolh :...(4.) Untuk mndapatkan dan, dgunakan atuan Cam thadap psamaan (4.) dan (4.). Sblumna, psamaan (4.) dan (4.) plu dca bntuk pkalan matksna sbaga bkut: Dpolh psamaan: Olh kana tu dapat dtntukan dan sbaga bkut:...(4.3)...(4.4) Slanjutna, untuk mmpolh, kdua psamaan untuk dan dsubsttuskan pada psamaan (4.), shngga ddapat :...(4.5) Da psamaan (4.5), tampak bahwa pnlsaanna sangat sult dca scaa analtk, shngga akan dgunakan mtod numk untuk mndapatkan pndkatan da. Mtod ang akan dgunakan adalah Mtod Bsks. dapun langkahlangkah ang dlakukan untuk mndapatkan pnlsaan dngan mnggunakan bsks adalah sbaga bkut: Langkah Plh taksan tndah dan taksan ttngg untuk aka aga fungs bubah tanda spanjang ntval. In dapat dpksa dngan maknkan bahwa

9 f ( ) f ( ). Dngan fungs f adalah psamaan (4.8), atu: Langkah aksan ptama, dbkan olh: Langkah 3 Buat valuas bkut untuk mnntukan subntval mana ang ddalamna tdapat aka pnlsaan a. Jka f ) f ),aka tltak ( ( pada subntval ptama. Maka, lanjutkan k Langkah 4. u dan b. Jka f ) f ), aka tltak ( ( pada subntval kdua. Maka, lanjutkan k Langkah 4. dan c. Jka f ) f ),maka ( ( aka dan pnghtungan dhntkan. Langkah 4 Htung taksan bau aka dngan: Langkah 5 ntukan apakah taksan bau ssua kngnan (ssua o ang dngnkan). Jka tdak, kmbal k l Langkah 3. Jka sudah ssua, substtuskan aka pada psamaan (4.6) dan (4.7) untuk mnca stmas thadap dan,atu dan. Sdangkan o ang dmaksud dapat dhtung dngan caa bkut: ( bau) % ( bau) ( bau) % ( bau) ( bau) % ( bau) 5 PEBNDINGN HSIL ESIMSI PMEE (,, ) ahap n dawal dngan mmbangktkan sjumlah data ang bdstbus wbull tmodfkas. Pmbangktan data n dlakukan dngan mnggunakan mtod accptanc-jcton dngan mnntukan tlbh dahulu nla da tap-tap paamt ang dngnkan. Stlah dpolh data ang dbutuhkan, langkah slanjutna adalah mnsubsttuskan data tsbut kdalam psamaan (4.) (4.). Data ang dbangktkan dngan n,,.5,. 3 Data k

10 abl 5.. Data hasl gnatng dngan,.5,.3 Data pada abl 5. kmudan dsubsttuskan pada psamaan (4.) (4.) dan dpolh hasl sbaga bkut: uunan lklhood thadap α uunan lklhood thadap β uunan lklhood thadap γ Nla α Nla β Nla γ MSE abl 5.. Pbandngan Hasl Estmas dngan MLE antaa tuunan fungs lklhood dngan, dan dngan. Da abl 5. tampak bahwa tuunan fungs lklhood thadap γ mmpuna MSE (oot Man Squa Eo) ang pag kcl, atu Hal n mnbabkan dalam poss stmas paamt,, akan dgunakan fungs lklhood ang dtuunkan thadap γ. Slanjutna, pbandngan antaa hasl stmas dngan mnggunakan MLE dan Last Squa adalah sbaga bkut: MLE Last Squa Nla α Nla β Nla γ.95.5 MSE abl 5.3 Pbandngan ntaa Hasl Estmas Mnggunakan MLE dngan Last Squa Data dngan n =,.5,.5,. 3 Data k abl 5.4. Data hasl gnatng dngan.5,.5,.3 Data pada abl 5.4 kmudan dsubsttuskan pada psamaan (4.) (4.) dan dpolh hasl sbaga bkut: MLE Last Squa Nla α Nla β Nla γ MSE abl 5.5. Pbandngan ntaa Hasl Estmas Mnggunakan MLE dngan Last Squa Da abl 5.3 dan abl 5.5 tlhat bahwa mtod Last Squa mmpuna nla MSE (oot Man Squa Eo) ang lbh bsa dapada mtod MLE (Mamum Lklhood Estmato). Hal n mnunjukkan bahwa dalam pmasalahan n, mtod MLE (Mamum Lklhood Estmato) mmbkan stmas ang lbh tpat dapada mtod Last Squa. 6 KESIMPULN DN SN 6. Ksmpulan Ksmpulan ang dpolh da hasl dan pmbahasan adalah sbaga bkut:. Sfat-sfat da Modfd Wbull Dstbuton (MWD) dapat dlhat da sfat-sfat tuunan fungs aso kgagalan, atu mupakan suatu fungs konstan jka, fungs nak jka, fungs tuun jka.. Fungs lklhood dalam psamaan non a atas,, adalah sbaga bkut:

11 dngan n dan n. Nla stmas,, dapat dpolh dngan mnlsakan psamaan tsbut mnggunakan mtod bsks. Hasl mnunjukkan bahwa psamaan ktga ang mupakan tuunan fungs log lklhood thadap mmbkan hasl ang lbh bak da kdua psamaan ang lan. Sdangkan pndkatan thadap ntval kpcaaan da,, btuuttuut adalah: V z, V z,dan 33 V z dngan z adalah dstbus nomal standa. Kmudan stmas paamt dngan Last Squa dapat dpolh mlalu fungs kuanttas bkut: Dngan ) ( S dan ) ( S adalah stmas da ) ( S pada obsvas m,,,. Untuk mndapatkan,, (stmas da,, ) dplukan tuunan ptama da thadap,,. Shngga dpolh,, sbaga bkut: Dan untuk dpolh dngan mnlsakan psamaan bkut: psamaan datas dapat dslsaakan dngan mnggunakan mtod bsks. Stlah stmas paamt dpolh, tlhat bahwa mtod Last Squa mmpuna nla MSE (oot Man Squa Eo) ang lbh bsa dapada mtod MLE (Mamum Lklhood Estmato). Hal n mnunjukkan bahwa dalam pmasalahan n, mtod MLE (Mamum Lklhood Estmato) mmbkan stmas ang lbh tpat dapada mtod Last Squa.. 6. Saan Saan ang dbkan untuk pnltan slanjutna adalah mngstmas paamt da dstbus MWD (Modfd Wbull Dstbuton) bdasakan data p II dngan mnggunakan tknk Bas (Basan chnqu), dan mmbandngkan tknk n dngan kdua mtod sblumna.

12 DF PUSK [] Chapa, C.Stphn, amond P.Canal, S. Sad. 99. Mtod Numk untuk knk. UI- Pss. Jakata. [] Djunad, Much san Mla FS. 7. Usulan Intval Pawatan Komponn Kts pada Msn Pnctak Botol (Mould Ga) Bdasakan Kta Mnmas Downtm. knk Indust. Unvstas Muhammadah. Suakata. [3] Jams, E.Gntl. 3. andom Numb Gnaton and Mont Calo Mthods, scond dton, spng. [4] Mll,Stvn.J. 7. h Mthod of Last Squa. Mathmatcs Dpatmnt. Bown Unvst. [5] Mung, Ja..utoal on mamum lklhood stmaton. Dpatmnt of Pscholog, Oho Stat Unvst, 885 Nl vnu Mall. [6] Sahan, mma M dan Mazn Zandn. 9. Paamts Estmaton of th Modfd Wbull Dstbuton. [7] Walpol, onald E dan amond H Ms Ilmu Pluang dan Statstka untuk Insnu dan Ilmuwan. [8] Wdhah, atk, Wwn Madjat. 8. Infns Data Uj Hdup snso p II Bdstbus algh. FMIP UNDIP Smaang.

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA BAB II IMPEDANSI SUJA KAWA ANAH DAN MENAA II. UMUM Saluan tansms lbh tngg dbandngkan objk d skllngnya, kana tu saluan tansms mmlk sko bsa untuk tkna sambaan pt. Untuk mngatas hal tsbut maka saluan tansms

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Pada bab n akan duakan bbapa konsp dan mtod yang mnjad dasa pnulsan tugas akh n. Bbapa konsp dan mtod tsbut alah pnclan, tata caa mndtks pnclan, mtod OLS, mnntukan ata-ata kuadat tkcl

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI. hardware yang digunakan, perangkat lunak, perangkat pembangun dan tools yang

BAB 4 IMPLEMENTASI DAN EVALUASI. hardware yang digunakan, perangkat lunak, perangkat pembangun dan tools yang BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Lngkungan Implmntas Pada pmbahasan lngkungan mplmntas mlput pmbahasan spsfkas hadwa yang dgunakan, pangkat lunak, pangkat pmbangun dan tools yang dgunakan untuk mmbuat

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD LISTRIK STATIS - HUKUM COULOMB Olh Supano, PhD Sfat-sfat Muatan Bla sbuah ss dgosok-gosokkan pada ambut, lalu ddkatkan kpada sphan ktas kcl-kcl, maka sphan ktas tu akan ttak dan mlkat pada ss. Pstwa n

Lebih terperinci

PENGUAT GANDENGAN DC

PENGUAT GANDENGAN DC 4 PNGUAT GANDNGAN DC Dalam paktk basanya untuk mmplh suatu pnguatan yang cukup bsa, dapat dlakukan dngan mnggandng bbapa pnguat atau basa dknal dngan pnguat btngkat. Untuk mnjaga aga tgangan panja (bas)

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

ELEKTRONIKA DASAR. Petemuan Ke-9 Pemodelan BJT. ALFITH, S.Pd,M.Pd

ELEKTRONIKA DASAR. Petemuan Ke-9 Pemodelan BJT. ALFITH, S.Pd,M.Pd EEKTONIK DS Ptmuan K-9 Pmdlan JT FITH, S.Pd,M.Pd 2 Pnguat JT satu tngkat Stuktu dasa amba mnunjukkan angkaan dasa pnguat JT dngan pmban bas dngan aus yang knstan. Yang plu dphatkan adalah mmlh yang bsa

Lebih terperinci

PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM

PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM J. Sas MIPA Eds Khusus Tahu 28 Vol. 4 No. Hal.: 7-22 ISSN 978-873 ABSTRACT PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM Ra Sa Hmta Wasoo da Da Kuasa

Lebih terperinci

ELEKTROMAGNETIK TERAPAN 1. GELOMBANG LINTAS MEDIUM

ELEKTROMAGNETIK TERAPAN 1. GELOMBANG LINTAS MEDIUM LKTROMAGNTIK TRAPAN. GLOMBANG LINTAS MDIUM OUTLIN. Glombang Lnas Mdum a) Glombang Jauh Nomal b) Glombang Jauh Mng PNDAHULUAN Jka glombang daa sbasama mlwa aau lbh mdum. Tdapa kmungknan plakuan hadap glombang,

Lebih terperinci

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi

BAB IV TAKSIRAN MAKSIMUM LIKELIHOOD FUNGSI INTENSITAS POISSON NONHOMOGEN. fungsi intensitas proses Poisson nonhomogen, yaitu secara teoritis dan studi BAB IV AKSIRA MAKSIMUM LIKELIHOOD FUGSI IESIAS POISSO OHOMOGE 4 Pndahuluan Brku n, akan dbahas nang dua pndkaan unuk mndapakan aksran fungs nnsas pross Posson nonhomogn, yau scara ors dan sud kasus Pada

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl

Lebih terperinci

APLIKASI METODE ELEMEN HINGGA PADA PEMODELAN TABUNG AKSELERATOR MESIN BERKAS ELEKTRON 300 KEV

APLIKASI METODE ELEMEN HINGGA PADA PEMODELAN TABUNG AKSELERATOR MESIN BERKAS ELEKTRON 300 KEV Volum 5, Oktob 0 ISSN 4-49 TABUNG AKSELERATOR MESIN BERKAS ELEKTRON 00 KEV Bayu Dgantaa, Dw Pyantoo, Panowo Pogam Stud Elktomkank, Juusan Tknofska Nukl, STTN-BATAN Jl. Babasa Kotak Pos 60/YKBB Yogyakata

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Peluang Peluang adalah suatu nla untuk menguku tngkat kemungknan tejadnya suatu pestwa (event) akan tejad d masa mendatang yang haslnya tdak past (uncetan event). Peluang dnyatakan

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

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

PROSIDING ISBN :

PROSIDING ISBN : PROSIDING ISBN : 978 979 6353 3 METODE FINALTI UNTUK MENENTUKAN BERAT SAPI OPTIMAL Olh : H. A. Pahusp da Sska Ayua Pogam Stud Matmatka Idust da Statstka Fakultas Sas da Matmatka (FSM) Uvstas Kst Satya

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

VIII. KELEMBAGAAN PENGELOLAAN ENERGI

VIII. KELEMBAGAAN PENGELOLAAN ENERGI VIII. KELEMBAGAAN PENGELOLAAN ENERGI Kondisi obyktif pnglolaan ngi di Nusa Pnida dapat dikmukakan bdasakan tahapan pnglolaan yang mliputi tahap pncanaan, plaksanaan, dan pngndalian. Pada tahap pncanaan

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan TRFRS DA DFRAKS Maa Kulah: Glombang & Opk Dosn: Anhy Sawan A. nfns nfns mupakan ppauan ua aau lbh glombang sbaga akba blakunya pnsp supposss. nfns ja bla glombang glombang sbu kohn, yau mmpunya pbaan fas

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

Energi total sistem A dan tandon A`

Energi total sistem A dan tandon A` Ensambl dan Sistm Intaktif Ensambl dan Sistm Intaktif Tpik-tpik ang akan dibahas: Ensambl Mikkannik (tanpa intaksi, bab IV Ensambl Kannik (intaksi tmal Ensambl Kannik Bsa (intaksi difusif Ensambl Kannik

Lebih terperinci

PENERAPAN PERSAMAAN SCHRODINGER PADA PERMASALAHAN PARTIKEL BEBAS DALAM RUANG TIGA DIMENSI

PENERAPAN PERSAMAAN SCHRODINGER PADA PERMASALAHAN PARTIKEL BEBAS DALAM RUANG TIGA DIMENSI 76 PNAPAN PSAMAAN SHODING PADA PMASALAHAN PATIKL BBAS DALAM UANG TIGA DIMNSI A Patl Bbas Dala Koonat atsus :,,,, 6,, 6 Substtusan saaan 6 ala saaan 6, olh: + + 63 ngan: h K 64 Slanjutna ua uas s63 asng-asng

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

Bab 2 AKAR-AKAR PERSAMAAN

Bab 2 AKAR-AKAR PERSAMAAN Analsa Numerk Bahan Matrkulas Bab AKAR-AKAR PERSAMAAN Pada kulah n akan dpelajar beberapa metode untuk mencar akar-akar dar suatu persamaan yang kontnu. Untuk persamaan polnomal derajat, persamaannya dapat

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 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

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

Dari DFT menjadi FFT

Dari DFT menjadi FFT Dai DFT mnjadi FFT D Eng Risanui Hidayat Juusan Tni Elt FT UGM, Ygyaata I PEDAHULUA Biut aan dijlasan Dmpsisi DFT shingga mnjadi FFT dngan algithma Cly and Tuy II PERSAMAA DFT DFT mmpunyai psamaan () Dngan

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

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi.

Contoh 5.1 Tentukan besar arus i pada rangkaian berikut menggunakan teorema superposisi. BAB V TEOEMA-TEOEMA AGKAIA 5. Teorema Superposs Teorema superposs bagus dgunakan untuk menyelesakan permasalahan-permasalahan rangkaan yang mempunya lebh dar satu sumber tegangan atau sumber arus. Konsepnya

Lebih terperinci

Gelombang Datar Lintas Medium

Gelombang Datar Lintas Medium Rvs Fbruar 00 33 Modul 4 lktromagntka Tlkomunkas Glombang Datar Lntas Mdum Olh : Nachwan Muft Adransyah, ST, MT Organsas Modul 3 Glombang Datar Lntas Mdum A. Pndahuluan B. Glombang Jatuh Normal C. Konsp

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

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran

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 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

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 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

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 IV Pemodelan dan Perhitungan Sumberdaya Batubara

Bab IV Pemodelan dan Perhitungan Sumberdaya Batubara Bab IV Pemodelan dan Perhtungan Sumberdaa Batubara IV1 Pemodelan Endapan Batubara Pemodelan endapan batubara merupakan tahapan kegatan dalam evaluas sumberdaa batubara ang bertuuan menggambarkan atau menatakan

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

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

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomo, Tahu 0, Halama 35-46 Ol d: http://joual-s.udp.ac.d/d.php/gaussa PEMBANGKITAN SAMPEL RANDOM MENGGUNAKAN ALGORITMA METROPOLIS- HASTINGS Ls Kua Iwat, Moch. Abdul Mukd, Rta Rahmawat

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. 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

BAB III SKEMA NUMERIK

BAB III SKEMA NUMERIK BAB III SKEMA NUMERIK Pada bab n, akan dbahas penusunan skema numerk dengan menggunakan metoda beda hngga Forward-Tme dan Centre-Space. Pertama kta elaskan operator beda hngga dan memberkan beberapa sfatna,

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

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

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 III BAGAN CUSUM Dasar statistik bagan kendali Cumulative Sum untuk rata-rata

BAB III BAGAN CUSUM Dasar statistik bagan kendali Cumulative Sum untuk rata-rata 3 BAB III BAGAN CUSUM 3.. Dasa statstk bagan kendal Cumulatve Sum untuk ata-ata Bagan Cusum dgunakan untuk mendeteks pegesean kecl pada mean atau vaans dalam poses oleh kaena adanya penyebab khusus secaa

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

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

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi

BAB II KAJIAN TEORI. 2.1 Pendahuluan. 2.2 Pengukuran Data Kondisi BAB II KAJIAN TEORI 2.1 Pendahuluan Model penurunan nla konds jembatan yang akan destmas mengatkan data penurunan konds jembatan dengan beberapa varabel kontnu yang mempengaruh penurunan kondsnya. Data

Lebih terperinci

METRIK MEDAN GRAVITASI BENDA BERMUATAN LISTRIK SIMETRI BOLA. Oleh: Bansawang BJ Lab. Fisika Teori dan Komputasi Jurusan FMIPA Unhas

METRIK MEDAN GRAVITASI BENDA BERMUATAN LISTRIK SIMETRI BOLA. Oleh: Bansawang BJ Lab. Fisika Teori dan Komputasi Jurusan FMIPA Unhas MTRIK MDAN RAVITASI NDA RMUATAN LISTRIK SIMTRI OLA Olh: ansawan J Lab. isika Toi dan Komputasi Juusan MIPA Unhas Abstak Tlah diplihatkan caa pumusan psamaan mdan avitasi kovaian instin mlalui pinsip intal

Lebih terperinci

Bab III Reduksi Orde Model Sistem LPV

Bab III Reduksi Orde Model Sistem LPV Bab III Reduks Ode Model Sstem PV Metode eduks ode model melalu MI telah dgunakan untuk meeduks ode model sstem I bak untuk kasus kontnu maupun dskt. Melalu metode n telah dhaslkan pula bentuk da model

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

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

PENDUGAAN RASIO, BEDA DAN REGRESI

PENDUGAAN RASIO, BEDA DAN REGRESI TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka

Lebih terperinci

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN ANALISIS TINGKAT KESEHATAN BANK PADA PD BPR BKK KENDAL DENGAN METODE RGEC TAHUN 2009 2012 NABELLA ROSALIANA Unvrstas Dan Nuswantoro Smarang E-mal: nabllarosalana@gmalcom ABSTRACT Th bankng ndustry s fnancal

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol

BAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan

Lebih terperinci

APLIKASI MODEL BLACK-LITTERMAN DALAM MENENTUKAN OPTIMISASI PORTOFOLIO INVESTASI

APLIKASI MODEL BLACK-LITTERMAN DALAM MENENTUKAN OPTIMISASI PORTOFOLIO INVESTASI APLIKASI MDL LACK-LIRMAN DALAM MNNUKAN PIMISASI PRFLI INSASI Jun M Indasa * upa P Nababan usta Mahasswa Poga S Matatka Dosn Juusan Matatka Fakutas Matatka dan Iu Pngtahuan Aa Unvstas Rau Kapus na Wdya

Lebih terperinci

Hukum Gauss. f = fluks listrik = jumlah garis gaya yang menembus luas A E r = medan listrik = elemen luas q i

Hukum Gauss. f = fluks listrik = jumlah garis gaya yang menembus luas A E r = medan listrik = elemen luas q i Hukum Gauss Pv. Jumlah gais gaya yang klua dai pmukaan ttutup S bbanding luus dngan jumlah muatan yang dilingkupinya. dimana : f = E d A = q i f = fluks listik = jumlah gais gaya yang mnmbus luas A E =

Lebih terperinci

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :

Analisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan : Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

WEIBULL TWO PARAMETER

WEIBULL TWO PARAMETER WEIBULL TWO PARAMETER Dalam teor probabltas dan statstk, dstrbus webull merupakan dstrbus probabltas yang berkelanjutan atau kontnyu. Dgambarkan secara detal oleh Walodd Webull pada tahun 1951 meskpun

Lebih terperinci

Universitas Indonusa Esa Unggul Fakultas Ilmu Komputer Teknik Informatika. Persamaan Diferensial Orde I

Universitas Indonusa Esa Unggul Fakultas Ilmu Komputer Teknik Informatika. Persamaan Diferensial Orde I Univrsitas Indonusa Esa Unggul Fakultas Ilmu Komputr Tknik Informatika Prsamaan Difrnsial Ord I Dfinisi Prsamaan Difrnsial Prsamaan difrnsial adalah suatu prsamaan ang mmuat satu atau lbih turunan fungsi

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

Referensi: 1) Smith Van Ness Introduction to Chemical Engineering Thermodynamic, 6th ed. 2) Sandler Chemical, Biochemical adn

Referensi: 1) Smith Van Ness Introduction to Chemical Engineering Thermodynamic, 6th ed. 2) Sandler Chemical, Biochemical adn Referens: 1) Smth Van Ness. 2001. Introducton to Chemcal Engneerng Thermodynamc, 6th ed. 2) Sandler. 2006. Chemcal, Bochemcal adn Engneerng Thermodynamcs, 4th ed. 3) Prausntz. 1999. Molecular Thermodynamcs

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 II TINJAUAN PUSTAKA. peranan penting dalam penelitian ini. Serta juga akan dipaparkan tentang expansi

BAB II TINJAUAN PUSTAKA. peranan penting dalam penelitian ini. Serta juga akan dipaparkan tentang expansi ADLN Ppustakaan Univsitas Ailangga BAB II TINJAUAN PUSTAKA Pada bagian ini akan dipapakan tntang tinauan pustaka. Tinauan pustaka yang mnunang dalam pnlitian ini adalah tntang snso, sat optik, fib coupl

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

Transformasi Peubah Acak (Lanjutan)

Transformasi Peubah Acak (Lanjutan) Dpt. Statistika IPB, 0 Transormasi Pubah Acak Lanjutan B. Mtod Pnggantian Pubah Mtod ini mrupakan pngmbangan dari mtod ungsi sbaran. Misalkan diktahui kp bagi p.a. adalah x. Jika didinisikan p.a. lainna

Lebih terperinci

BAB III. Monte Carlo dan metode least-square, maka pada bab ini diantaranya akan

BAB III. Monte Carlo dan metode least-square, maka pada bab ini diantaranya akan BAB III METODE LEAST-SQUARE MONTE CARLO Pada bab sebelumnya telah delaskan antara lan mengena smulas Monte Carlo dan metode least-square, maka pada bab n dantaranya akan dbahas penggunaan kedua metode

Lebih terperinci

PERANCANGAN JARINGAN AKSES KABEL (DTG3E3)

PERANCANGAN JARINGAN AKSES KABEL (DTG3E3) PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan

Lebih terperinci

BAB 2 PERBANDINGAN DETEKSI POLA SEBARAN TITIK SPASIAL SECARA ACAK DENGAN METODE KUADRAN DAN TETANGGA TERDEKAT MUHAMMAD NUR AIDI*

BAB 2 PERBANDINGAN DETEKSI POLA SEBARAN TITIK SPASIAL SECARA ACAK DENGAN METODE KUADRAN DAN TETANGGA TERDEKAT MUHAMMAD NUR AIDI* BAB PERBANDINGAN DETEKSI POLA SEBARAN TITIK SPASIAL SECARA ACAK DENGAN METODE KUADRAN DAN TETANGGA TERDEKAT MUHAMMAD NUR AIDI* *Dosn Statistika IPB Disampaikan dalam Smina Nasional Statistika k 9 SNS IX

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

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

PEMODELAN REGRESI HURDLE NEGATIVE BINOMIAL DENGAN VARIABEL DEPENDEN TERSENSOR KANAN PADA KASUS TETANUS NEONATORUM DI INDONESIA

PEMODELAN REGRESI HURDLE NEGATIVE BINOMIAL DENGAN VARIABEL DEPENDEN TERSENSOR KANAN PADA KASUS TETANUS NEONATORUM DI INDONESIA ESIS - SS450 PEMODELAN REGRESI HURDLE NEGAIVE BINOMIAL DENGAN VARIABEL DEPENDEN ERSENSOR KANAN PADA KASUS EANUS NEONAORUM DI INDONESIA Rza Yul Rusdana NRP 35 0 03 DOSEN PEMBIMBING Dr. Dra. Isman Zan, M.

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

Aplikasi BPF (Band Pass Filter) Digital Untuk Pendeteksian Sinyal AFSK (Amplitudo Shift Keying) Pada Piranti RTTY (Radio Tele Type)

Aplikasi BPF (Band Pass Filter) Digital Untuk Pendeteksian Sinyal AFSK (Amplitudo Shift Keying) Pada Piranti RTTY (Radio Tele Type) TEKNOLOGI DI INDUSTRI (SENIATI) 216 ISSN : 285-4218 Aplkas BPF (Band Pass Fltr) Dgtal Untuk Pndtksan Snyal AFSK (Ampltudo Shft Kyng) Pada Prant RTTY (Rado Tl Typ) Achmad Stawan 1,*, Kusno Suryad 1 1 Tknk

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka

Lebih terperinci

Matematika Keuangan Dan Ekonomi. Indra Maipita

Matematika Keuangan Dan Ekonomi. Indra Maipita Matematka Keuangan Dan Ekonom Indra Mapta NUITS BIS Pendahuluan Sebaga penabung seta nda keluar sebaga pemenang hadah undan, dan dapat memlh salah satu hadah berkut: Menerma uang sejumlah Rp 50.000.000

Lebih terperinci

Fisika Dasar I (FI-321)

Fisika Dasar I (FI-321) Fska Dasar I (FI-31) Topk har n (mnggu 5) Usaha dan Energ Usaha dan Energ Energ Knetk Teorema Usaha Energ Knetk Energ Potensal Gravtas Usaha dan Energ Potensal Gravtas Gaya Konservatf dan Non-Konservatf

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

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

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan

III PEMBAHASAN. merupakan cash flow pada periode i, dan C. berturut-turut menyatakan nilai rata-rata dari V. dan Pada bab n akan dbahas mengena penyelesaan masalah ops real menggunakan pohon keputusan bnomal. Dalam menentukan penlaan proyek, dapat dgunakan beberapa metode d antaranya dscounted cash flow (DF). DF

Lebih terperinci