PENDUGAAN PARAMETER MODEL HIDDEN MARKOV *

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENDUGAAN PARAMETER MODEL HIDDEN MARKOV *"

Transkripsi

1 PEDUGAA PARAMETER MODEL HIDDE MARKOV * BERLIA SETIAWATY DA LIDA KRISTIA Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut Petanan Bogo Jl Meant, Kampus IPB Damaga, Bogo 6680 Indonesa ABSTRAK Pendugaan paamete untu model Hdden Maov Ellott et al (995) dlauan mengunaan Metode Maxmum Lelhood dan pendugaan ulang menggunaan metode Expectaton Maxmzaton yang melbatan peubahan uuan Da metode tesebut dpeoleh algotma untu menduga paamete model Kata unc: Ranta Maov, model Hdden Maov, peubahan uuan metode Expectaton Maxmzaton PEDAHULUA Tulsan n meupaan ajan pustaa tentang pendugaan paamete untu model Hdden Maov Ellott, et al (995) Pendugaan paamete menggunaan metode Maxmum Lelhood dan pendugaan ulangnya menggunaan metode Expectatton Maxmzaton (Metode EM) yang melbatan peubahan uuan Da edua metode tesebut emudan dtuunan suatu algotma yang dapat dpaa secaa umum untu menduga paamete model Hdden Maov Ellott, et al (995) Tulsan n dmula dengan defns model Hdden Maov beseta aatestnya Pada bagan 3 dbahas Pendugaan Paamete model dan teah pada bagan 4 dtuunan algotmanya *Tulsan n meupaan bagan da hasl peneltan yang ddana oleh Hbah Peneltan PHK A2 Depatemen 23 Matemata IPB tahun 2006

2 24 BERLIA SETIAWATY DA LIDA KRISTIA 2 MODEL HIDDE MARKOV 2 Defns Pasangan poses stoast {(, Y) : } yang tedefns pada uang peluang (, F, P) dan mempunya nla pada S Y dsebut model hdden Maov apabla { } adalah anta Maov dengan state behngga dan dasumsan bahwa anta Maov { } tda damat Sehngga { } tesembuny (hdden) d bal poses obsevas Y Banyanya elemen da S dsebut uuan (ode) da model hdden Maov Pada tulsan n dbahas model hdden Maov Ellot, et al (995) yang bebentu: A V Y c( ) ( ) d mana { } adalah anta Maov yang homogen dengan uang state S { e, e2,, e }, dengan e veto satuan d dan A ( aj ) meupaan mats tanssnya, dengan aj = P( = ej - = e), j =, 2,, { } adalah basan peubah aca yang bebas stoast dent dengan sebaan (0,) dan dengan c( ) c, dan ( ), c ( c, c,, c ), (,,, ) 2 2, pealan dalam d Asumsan 0, untu,2,, Msalan { F } adalah fltas lengap yang dbangun oleh { }, { Y } adalah fltas lengap yang dbangun oleh { Y } dan { G } dbangun oleh { } dan { Y } adalah fltas lengap yang Catatan 2 Kaena, adalah peubah aca yang bebas stoast dent, maa bebas da G Abatnya juga bebas da F 22 la Haapan Besyaat Untu sebaang t, belau

3 JMA, VOL 4, O, JULI, 2005, P( Y t Y) P( Y t, e Y) P( Y t e, Y) P( e Y) P( Y t e ) P( e Y ) P( c( ) ( ) t e ) P( e Y ) P( c t) P( e Y ) Msalan maa Sehngga dpeoleh P( t c ) P( e Y ) 2 x 2 : E Y dan ( x) e (fungs epadatan (0, ) ) 2 Y Y, e E, e e P e, e j j j j j Y j Y P e e, e P e P( y t Y) P( t c ) P( e Y ), e ( x) dx Jad fungs epadatan besyaat da j Y detahu Y adalah, e ( t c ) j j j Adapun sebaan gabungan da dan Y detahu Y adalah tc (2) P( e, Y t Y ) P( Y t e, Y ) P( e Y ) tc P( c t) P( e Y ), e ( x) dx Sehngga dpeoleh fungs epadatan gabungan besyaat da dan Y detahu Y adalah, e ( t c ) Bedasaan atuan Bayes, dpeoleh P e, Y Y E e P e Y, Y, Y PY Y, e j j ( Y c j ) j batnya ddapat, e ( Y c ) A

4 26 BERLIA SETIAWATY DA LIDA KRISTIA E E e e E e e, e ( y c ) e Y, Y, Y, e j j ( y c j ) j Teoema 22 (Ellot et al 995) E Y j, e ( y c ) A e, e ( y c ) j j j Catatan 222 Da pesamaan d atas dpeoleh bahwa penduga begantung pada secaa tda lnea 23 Peubahan Uuan Pada Model Hdden Maov Msalan () adalah peubah aca yang tedefns pada (, F, P) dengan fungs epadatan ( ) dan c, adalah onstanta yang detahu Detahu Y( ) c( ) Aan donstus uuan peluang bau P pada (, F ) sedeman sehngga: Kaena a b D bawah P peubah aca y mempunya fungs epadatan maa dpeoleh Pada (,, P) t P( Y t) ( y) dy I I I ( ) ( ) d { Y t} { Y t} tc tc t ( ) ( ) d ( ) ( ) dy ( ) ( ) ( y) atau F poses obsevas ( y) ( ) ( ) Y mempunya bentu Y c,, d mana bebas stoast dent menyeba (0,) Msalan () adalah fungs epadatan peluang (0,) dan, l yl l, l; 0 ; l, l l

5 JMA, VOL 4, O, JULI, 2005, Defnsan uuan peluang P pada (, F ) sebaga beut Esstens djamn oleh Teoema Radon-odym dan esstens P djamn oleh Teoema Peluasan Kolmogoov (Wong and Haje, 985) Lemma 23 (Ellot et al 995) D bawah P, Y adalah basan peubah aca yang bebas stoast dent menyeba (0,) Sebalnya, dmula dengan uuan peluang P pada (, F ), d mana d bawah P belau: adalah anta Maov dengan mats tanss A sehngga a A V, dengan EV F 0 b Y adalah basan peubah aca yang bebas stoast dent menyeba (0,) dan bebas da, aan donstus P da P sehngga d bawah P belau: Y c,,, 0, adalah basan peubah aca yang bebas stoast dent dan menyeba (0,) Untu mengonstus P da P, defnsan l l, l; 0 ; l, ;, y l l l l Lemma 232 D bawah P, adalah basan peubah aca yang bebas stoast dent menyeba (0,) G G Catatan 233 (, F, P) Untu selanjutnya ta aan beeja pada uang peluang 3 PEDUGAA PARAMETER Sfat statst model Hdden Maov dtentuan secaa lengap oleh hmpunan paamete ( a ),, j ; c, ;, j Pada bagan n dbahas poses pendugaan paamete tesebut menggunaan Algotma EM (Expectaton maxmzaton algothm) 3 Pendugaan Reusf

6 28 BERLIA SETIAWATY DA LIDA KRISTIA Defns 3 (Ellot et al 995) Basan peubah aca dsebut adapted- G, atau adapted tehadap fltas G, apabla untu setap, teuu-g Defns 32 Ja H adalah basan peubah aca yang adapted teha-dap G, defnsan : H E H Y dan H : E H Y Menuut Teoema Bayes besyaat E H H H : E H Y Y, E Y sehngga E 0 Y aena 0 Catatan 33 Pada poses pendugaan eusf, E sebaga nla awal 0 dambl Lemma 34 (Ellot et al 995) Msalan H adalah basan peubah aca benla sala, maa a H H, b, Catatan 35 Da pesamaan d atas dpeoleh bahwa pendugaan H begantung pada H Defns 36 Basan peubah aca dsebut pedctable tehadap fltas G, apabla untu setap, teuu-g Teoema 37 Msalan H adalah poses benla sala yang adapted tehadap fltas G dan mempunya bentu a H 0 teuu- F 0 H H, V f ( y ), b d mana V A f adalah fungs benla sala,, adalah poses yang pedctable-g

7 JMA, VOL 4, O, JULI, 2005, adalah poses benla veto bedmens- maa H : H,,, H y a y a T, y f ( y ) a dag( a ) a a, y mana a Ae dan y : e y y c d 32 Penduga Paamete 32 Penduga untu State Teoema 32 (Ellott et al 995) ( ) ( ), ( y ) a (3) But: Dengan mengambl H H0, 0, 0 dan 0 pada Teoema 37 dpeoleh ( ) ( ), ( y ) a Catatan 322 Pesamaan (3) menunjuan bahwa ( ) begantung pada ( ) secaa lnea 322 Penduga untu umbe of Jumps Ja anta Maov melompat da state e pada watu e-, e state e s pada watu e-,, s, maa, e, es, sehngga banyanya lompatan (numbe of jumps) da state adalah J s : n, e n, es n J s s, e, e e e state J, e A V, e s s J, e A, e, e V, e s s s J, e a, e V, e s s S e s pada watu e-

8 30 BERLIA SETIAWATY DA LIDA KRISTIA Teoema 322 (Ellott et al 995) s s, ( ), ( ), ( y ) a ( ), ( y ) ases J J (32) But: Dengan mengambl s H J, H 0,, e a,, e e dan 0 pada 0 s s Teoema 37 dpeoleh,,, J J y a e a y a s s, s Sedangan dan Sehngga T a aa e es y 0 dag( ),,,,,, e a y a e y a a s s, y a a s T dag( a ) aa, e es, y T,, dag( ) e y a a a e s, dag( ) T, y a e a a y a a a e s s s s s s, ( J ) ( J ), ( y ) a, ( y ) ases ( J ), ( y ) a ( ), ( y ) a e s, s s 323 Penduga untu Occupaton Tme Banyanya ejadan anta Maov beada pada state watu e- ddefnsan sebaga beut Teoema 323 (Ellott et al 995) s n n O :, e O, e e, sampa, ( O ), ( O ), ( y ) a ( ), ( y ) a (33)

9 JMA, VOL 4, O, JULI, 2005, But: Dengan mengambl s H O, H 0,, e, 0 dan 0 pada Teoema 37 0 dpeoleh,,, O O y a e y a,,, O y a y a O, y a ( ), ( y ) a, 324 Penduga untu Poses Obsevas Untu menduga paamete,,, T dan c c, c,, c pada 2 2 poses obsevas y c,,, defnsan d mana l l l ( f ) :, e f ( y ) ( f ), e f ( y ) ( ) atau ( ) 2 f y y f y y T Teoema 324 (Ellott et al 995), ( ( f )), ( ( f )), ( y ) a ( ), ( y ) f ( y ) a (34) But: Dengan mengambl H ( f ), H 0, 0, 0 dan, e pada Teoema 0 37 dpeoleh ( f ) ( f ), y a, e, y f ( y ) a, ( f ), y a, y f ( y ) a ( ),, f y a y f y a, ( ) 33 Expectaton Maxmzaton Algothm (Algotma EM) Algotma EM dembangan oleh Baum and Pete (966) dengan de dasa sebaga beut

10 32 BERLIA SETIAWATY DA LIDA KRISTIA Msalan P : adalah oles uuan peluang yang tedefns pada uang (, G ) dan ontnu absolut tehadap P 0 Msalan Y G Defnsan fungs lelhood untu menentuan penduga paamete bedasaan nfomas Y sebaga L( ) E0 Y 0 dan penduga masmum lelhood ddefnsan sebaga ag max L( ) Secaa umum penduga masmum lelhood sult dhtung secaa langsung Algotma EM membean suatu metode teatf untu mengaposmas, dengan posedu sebaga beut Langah : Set p 0 dan plh 0 Langah 2: [Langah-E] Langah 3: Set p dan htung Q [Langah-M] ag max Q, Tentuan p, E log Y Langah 4: p p Ulang langah 2 sampa tea behent dpenuh Catatan 33 : p 0 Basan p membean basan L p 2 Menuut etasamaan Jensen, Q, log L( ) log L( ) 3 Q, p p p p dsebut pseudo-loglelhood besyaat : p 0 yang ta tuun Model Hdden Maov yang aan dduga paametenya bebentu d mana A V y c,, V adalah matngale ncements dan adalah peubah aca yang bebas stoast dent menyeba (0,) Paamete model dbean oleh hmpunan ( a ),, j ; c, ;, j

11 JMA, VOL 4, O, JULI, 2005, d mana a j, Aan dtentuan hmpunan paamete bau ( ) ( a ( )),, j ; c ( ), ; ( ), j d mana a j ( ), yang memasmuman pseudolog-lelhood besyaat Untu mengubah paamete a j menjad a j ( ) pada anta Maov, msalan s, a ( ) s a s a ( ) s l, s as dan defnsan peluang P sehngga F, es, e l, es l, e Lemma 332 D bawah P, ja e, maa E, es as ( ) F Teoema 333 (Ellott et al 995) s s J J a s ( ) (35) O O But: Bedasaan defns a ( ) s log log l, s as l, s s, J s l, es l, e, e, e log a ( ) log a l s l s s log a ( ) R( a) d mana Ra ( ) tda begantung pada â besyaatnya menjad s Sehngga pseudo-loglelhood

12 34 BERLIA SETIAWATY DA LIDA KRISTIA s s s, E log Y J log a ( ) R ( a) (36) Paamete a ( ) haus memenuh s atau dalam bentu dnam s a ( ) s l, e as ( ) l s Bentu dnam d atas dapat dtulsan dalam bentu besyaat O as ( ) (37) s, Masalah optmasnya seaang menjad memlh a s ( ) yang memasmuman (37) dengan endala (38) Defnsan fungs Lagange s L( a, ) J log ( ) as O as ( ), s, s L L Da 0 dan 0 dpeoleh a ( ) s O as ( ) (38) s, s J O 0 (39) a s ( ) Da pesamaan (38) dan (39) dpeoleh Da pesamaan (39) dpeoleh s s s J ( J ) ( O ) ( J ) a s ( ) O () () ( O ) Untu mengubah paamete c menjad c ( ), msalan 2 2 (, y ) exp c, c, 2 y c, 2 y c, l l yl l (, ) 2, dan defnsan peluang P sehngga G Lemma 334 D bawah P, y c, adalah basan peubah aca yang bebas stoast dent menyeba (0, )

13 JMA, VOL 4, O, JULI, 2005, But: Menuut Teoema Bayes besyaat E I y, c t G P y c, t G E I y c, t G E G E I y, E I G, E I c t G y c t y c G, t E E G G E G D bawah P, y c, c, dengan menyeba (0,), sehngga y c, menyeba c,,, Jad E c c y c y c 2 2 G exp,, 2, 2, 2, 2 exp y c, dy 2, 2, 2 exp y c, dy 2, 2, Sehngga P y c, t G E I y c, t G exp c, c, 2 y c, 2 y c, 2, t c, exp y c, Iy t c, 2, dy 2, 2 exp y c, dy 2, 2, t 2, exp 2, u 2 du P U t P y c, t Teoema 335 (Ellott et al 995) ( ) ( ) y y c ( ) (30) O O But: Da defns

14 36 BERLIA SETIAWATY DA LIDA KRISTIA log 2 2 l l l l l l c, c, 2 y c, 2 y c, l l 2, e c c y c y c 2 2 l, ( ) 2 l 2 l ( ) 2 l 2 2 ( ) ( ) y c O c ( ) Rc ( ) 2 d mana R(c) tda begantung pada ĉ Jad 2 2 ( ) ( ) y c O c ( ) E log Y R( c) 2 sehngga 2 ( ) 2 d y O c ( ) E log 0 dc ( ) Y 2 membean 2 ( ) 2 y O c ( ) 0 ( y) ( ( y)) ( O ) ( ( y)) c ( ) O () () ( O ) Untu mengubah paamete menjad ( ) (ambl c tetap), defnsan 2 exp y c,, 2, (, y ), 2 exp y c, 2, (, y ) l l l l dan defnsan peluang P sehngga G Teoema 336 (Ellott et al 995) 2 2 ( y ) 2 c ( y) c O ( ) 2 ( ) ( ) (3) O But: Da defns 2 2 y c y c O O y, 2 l c l log log, R( c, ) l l 2 2, l d mana Rc (, ) tda begantung pada Kaena

15 JMA, VOL 4, O, JULI, 2005, l, e 2 2 E log, log ( ) 2 Y E l e yl ylc c Y R( c, ) l 2 2 ( ) 2 2 log ( ) ( ) 2 ( ) O y c y c O R( c, ), 2 ( ) maa d O 2 2 log ( ) 2 ( ) E y c y c O 0 d ( ) 2 ( ) Y ( ) membean O ( ) 2 ( ) y c y c O ( ) ( ) atau 2 ( ( y )) ( ( y)) 2 ( O ) ( ) 2 ( ) c c y c y c O () () () ( ) O ( O) () 2 2 ( ( y )) 2 c ( ( y)) c ( O ) ( O) Catatan 337 Bedasaan obsevas sampa watu e-, paamete model yang bau yatu ( a ( )),, j ; c ( ), ; ( ), dbean j oleh pesamaan (35), (30) dan (3) la s s 2 J, O, ( y), ( y ) dan emudan dapat dhtung embal menggunaan paamete yang bau dan data pengamatan yang bau 4 ALGORITMA MEDUGA PARAMETER MODEL Detahu paamete bebentu ( a ),, j ; c, ;, j Aan dtentuan paamete ( ) ( a ( )),, j ; c ( ), ; ( ), j yang memasmuman pseudo-loglelhood besyaat sepet pada bagan 3 Algotma untu mempeoleh paamete tesebut adalah sebaga beut Algotma untu menentuan paamete ( ) Langah : Tetapan (banyanya state) M (banya data) Input data { y }

16 38 BERLIA SETIAWATY DA LIDA KRISTIA Langah 2: Tetapan la awal ( ) A ( a ) c ( c ) j ( ) Catatan: E 0 dan memenuh A Langah 3: Lauan untu Tetapan a Ae 0 0 J s 0 0 O s 0 0 ( y) ( y ) 0 l 0 sampa dengan M 2 Lauan untu 0 sampa dengan l a Htung penduga eusf ( ) ( ), ( y ) a s s, ( J ), ( J ), ( y ) a ( ), ( y ) ases ( J ) ( J ), s s,, ( O ), ( O ), ( y ) a ( ), ( y ) a ( O ) ( O ),,, ( ( y)), ( ( y)), ( y ) a ( ), ( y ) y a ( ( y)) ( ( y)),, 2 2 2, ( ( y )), ( ( y )), ( y ) a ( ), ( y ) y a ( ( y )) ( ( y )), 2 2, b Htung penduga paamete a s ( ) c ( ) s J O ( y) O 2 2 ( y ) 2 c ( y) c O O ( ) c Tulsan

17 JMA, VOL 4, O, JULI, 2005, A ( ) a ( ) c( ) c ( ) ( ) ( ) s d Tentuan ( ) da pesamaan A ( ) ( ) ( ) e Ulang langah a sampa dengan d untu beutnya 3 Be nla A A( ) c c( ) ( ) 3 Ulang langah s/d 3 untu l beutnya Langah 4: Untu sampa dengan M, ceta A ( ), (), c ( ), ( ), ( ) DAFTAR PUSTAKA []Baum, L E and Pete, T 966 Statstcal nfeence fo pobablstc functons of fnte state Maov chans Annals of the Insttute of Statstcal Mathematcs, 37: [2] Ellot, R J, Aggoun, L dan Mooe, J B 995 Hdden Maov models, Spnge Velag, ew Yo [3] Wong, E and Haje, B 985 Stochastc Pocess n Engneeng System Spnge Velag, Beln

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005)

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005) JMA, VOL 4, O2, DESEMBER, 25, 3-9 3 PEMODELA ILAI TUKAR RUPIAH TERHADAP $US MEGGUAKA HIDDE MARKOV* BERLIA SETIAWATY dan DEWI OVIYATI SARI Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut

Lebih terperinci

PEMODELAN NILAI TUKAR RUPIAH TERHADAP US DOLLAR MENGGUNAKAN HIDDEN MARKOV. Oleh: DEWI NOVIYANTI SARI G

PEMODELAN NILAI TUKAR RUPIAH TERHADAP US DOLLAR MENGGUNAKAN HIDDEN MARKOV. Oleh: DEWI NOVIYANTI SARI G PEMODELA ILAI TUKAR RUPIAH TERHADAP US DOLLAR MEGGUAKA HIDDE MARKOV Oleh: DEWI OVIYATI SARI G5444 DEPARTEME MATEMATIKA FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM ISTITUT PERTAIA BOGOR 6 PEMODELA ILAI TUKAR

Lebih terperinci

METODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI

METODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI METODE SIMPLEKS A Bentu Standa Model Pogam Lnea Pelu dngatan embal bahwa pemasalahan model pogam lnea dapat meml pembatas-pembatas lnea yang betanda,,, dan peubah-peubah eputusannya dapat meupaan peubah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

KONSTRUKSI RUANG TOPOLOGI LENGKAP

KONSTRUKSI RUANG TOPOLOGI LENGKAP KONSTRUKSI RUANG TOPOLOGI LENGKAP Sely Msdalfah Jsan Matemata FMIPA Unestas Tadlao Absta Hmpnan A mepaan semmet-semmet dpelas tedefns atas hmpnan X yang menghaslan sat eseagaman atas X yang aan membangn

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

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

Lebih terperinci

Penaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi

Penaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi Vol. 3 No. 7-77 Jul 06 Penasan Paaete da Vaans Veto ada Pengujan Hotess Kesaaan Mats Kovaans Nasah Sajang Absta Vaans veto euaan salah satu uuan dses data yang ddefnsan sebaga julah da seua eleen dagonal

Lebih terperinci

BAB II DIMENSI PARTISI

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

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

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

Lebih terperinci

MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD. Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang

MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD. Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD Idam Had Ahmad dan Luca Ratnasa, Juusan Matemata, FMIPA UNDIP Jl. Pof. H. Soedato, S.H., Tembalang, Semaang Abstact. Lnea equaton system,

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

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

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

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

Lebih terperinci

PENENTUAN HARGA OPSI UNTUK MODEL BLACK - SCHOLES MENGGUNAKAN METODE BEDA HINGGA CRANK-NICOLSON

PENENTUAN HARGA OPSI UNTUK MODEL BLACK - SCHOLES MENGGUNAKAN METODE BEDA HINGGA CRANK-NICOLSON PEETUA HARGA OPI UTUK MODEL BLACK - CHOLE MEGGUAKA METODE BEDA HIGGA CRAK-ICOLO Rully Chatas Inda Pahmana dan Ds. umad, M. Absta Ops meupaan suatu onta antaa penual ops dengan pembel ops, dmana penual

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

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

Lebih terperinci

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

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

Lebih terperinci

KAJIAN MODEL HIDDEN MARKOV KONTINU DAN APLIKASINYA PADA HARGA GABAH KERING PANEN NUR FATHONI

KAJIAN MODEL HIDDEN MARKOV KONTINU DAN APLIKASINYA PADA HARGA GABAH KERING PANEN NUR FATHONI KAJIAN MODEL HIDDEN MARKOV KONTINU DAN APLIKASINYA PADA HARGA GABAH KERING PANEN NUR FATHONI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

P(A S) = P(A S) = P(B A) = dengan P(A) > 0.

P(A S) = P(A S) = P(B A) = dengan P(A) > 0. 0 3.5. PELUANG BERSYARAT Jka kta menghtung peluang sebuah pestwa, maka penghtungannya selalu ddasakan pada uang sampel ekspemen. Apabla A adalah sebuah pestwa, maka penghtungan peluang da pestwa A selalu

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB III MODUL INJEKTIF

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

Lebih terperinci

Prinsip Dasar Matematika

Prinsip Dasar Matematika Modul Pnsp Dasa Matemata Ds. Gatot Muhsetyo, M.Sc. P PENDAHULUAN nsp dasa matemata meupaan onsep-onsep utama yang dapat dgunaan sebaga model peman dalam menjawab atau menyelesaan masalah yang seupa, yatu

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

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

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

Lebih terperinci

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

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

Lebih terperinci

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 III METODOLOGI PENELITIAN. Winarno Surakhmad (1982:131) mengemukakan bahwa metode adalah

BAB III METODOLOGI PENELITIAN. Winarno Surakhmad (1982:131) mengemukakan bahwa metode adalah 3 BAB III METODOLOGI PENELITIAN A. Metode Peneltan Metode peneltan dpeluan untu mencapa tujuan peneltan. Wnano Suahmad (98:3) mengemuaan bahwa metode adalah meupaan caa utama yang dpegunaan untu mencapa

Lebih terperinci

SIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN

SIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN SFT - SFT MTRKS UNTER, MTRKS NORML, DN MTRKS HERMTN Tasa bstak : Tujuan peneltan n adalah untuk mengetahu pengetan dan sfat sfat da matks unte, matks nomal, dan matks hemtan. Metode peneltan yang dgunakan

Lebih terperinci

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End

Lebih terperinci

Analisis Sensitivitas

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

Lebih terperinci

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

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

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

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

Lebih terperinci

Analisis Penyelesaian Persamaan Kuadrat Matriks

Analisis Penyelesaian Persamaan Kuadrat Matriks Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra

Lebih terperinci

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

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

Lebih terperinci

BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY

BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga

Lebih terperinci

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

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

Lebih terperinci

BAB 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

ANALISIS PENGARUH PERUBAHAN KECEPATAN, KAPASITANSI DAN BEBAN PADA GENERATOR INDUKSI SATU FASA DENGAN MODEL RANGKAIAN EKIVALEN TIPE

ANALISIS PENGARUH PERUBAHAN KECEPATAN, KAPASITANSI DAN BEBAN PADA GENERATOR INDUKSI SATU FASA DENGAN MODEL RANGKAIAN EKIVALEN TIPE AAISIS PEGARUH PERUBAHA KECEPATA, KAPASITASI DA BEBA PADA GEERATOR IDUKSI SATU FASA DEGA MODE RAGKAIA EKIVAE TIPE Am Hamzah Juusan Ten Eleto, Faultas Ten Unvestas Rau, Peanbau 28293 am_hzh@un.ac. Absta

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

DIMENSI PARTISI GRAF GIR

DIMENSI PARTISI GRAF GIR Jurnal Matematka UNAND Vol. 1 No. 2 Hal. 21 27 ISSN : 2303 2910 c Jurusan Matematka FMIPA UNAND DIMENSI PARTISI GRAF GIR REFINA RIZA Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam,

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN : JURNAL MATEMATIKA DAN KOMUTER Vol.. No., -, Aprl, ISSN : -88 ENDEKATAN RERESI OLINOMIAL ORTHOONAL ADA RANCANAN DUA FAKTOR (DENAN ALIKASI SAS DAN MINITAB) Tat Wharh Jurusan Matemata FMIA UNDI Abstra eneatan

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

BAB I (Minggu ke- 1,2,3) Konsep Dasar. Vektor

BAB I (Minggu ke- 1,2,3) Konsep Dasar. Vektor 5 I (Mnggu e- 1,,3) Konsep Dasa. Veto PENDHULUN Leanng Outcome: Setelah mengut ulah n, mahasswa dhaapan: Mampu menelasan pebedaan besaan sala dan veto dan mampu menelesaan setap asus nemata ang dbean.

Lebih terperinci

4 Departemen Statistika FMIPA IPB

4 Departemen Statistika FMIPA IPB Suplemen Responsi Petemuan ANALISIS DATA KATEGORIK (STK351) 4 Depatemen Statistia FMIPA IPB Poo Bahasan Sub Poo Bahasan Refeensi Watu Ui Hipotesis Tiga Contoh atau Lebih Ui Fiedman (analisis agam dua-aah

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

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

Lebih terperinci

BAB IV MODEL HIDDEN MARKOV

BAB IV MODEL HIDDEN MARKOV BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen

Lebih terperinci

Prosedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial

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

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

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

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

Lebih terperinci

Bab 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

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

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

Lebih terperinci

GEOMETRI BERHINGGA ATAS GF(P N ) UNTUK MEMBENTUK ORTHOGONAL SERIES DESIGNS

GEOMETRI BERHINGGA ATAS GF(P N ) UNTUK MEMBENTUK ORTHOGONAL SERIES DESIGNS Junal Sain & Matematia ISSN: 0854-0675 Volume 16 Nomo 3, Juli 008 Atiel Penelitian: 106-111 GEOMETRI BERHINGGA ATAS GF(P N ) UNTUK MEMBENTUK ORTHOGONAL SERIES DESIGNS Bambang Iawanto,Aniah Juuan Matematia

Lebih terperinci

KALKULUS VARIASI JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA

KALKULUS VARIASI JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA KALKULUS VARIASI JURUSAN PENDIDIKAN ISIKA PMIPA UNIVERSITAS PENDIDIKAN INDONESIA Smak Petanaan! Bang A B Bentuk kuva apakah ang menunjukkan jaak tepenek ang menghubung-kan ttk A an ttk B alam bang ata

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

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

Lebih terperinci

SOLUSI NUMERIK PERSAMAAN BOLTZMANN

SOLUSI NUMERIK PERSAMAAN BOLTZMANN JMA, VOL., NO.1, JULI, 00, 7-44 7 SOLUSI NUMERIK PERSAMAAN BOLTZMANN ENDAR H. NUGRAHANI Departemen Matemata, Faultas Matemata dan Imu Pengetahuan Alam, Insttut Pertanan Bogor Jln. Merant, Kampus IPB Dramaga,

Lebih terperinci

Pengolahan lanjut data gravitasi

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

Lebih terperinci

ESTIMASI MODEL EKSPONENSIAL LIFETIME DENGAN DOUBLE CENSORING

ESTIMASI MODEL EKSPONENSIAL LIFETIME DENGAN DOUBLE CENSORING J. Math. and Its Appl. ISSN: 1829-65X Vol. 7, No. 2, Novembe 21, 27 4 ESTIMASI MODEL EKSPONENSIAL LIFETIME DENGAN DOUBLE CENSORING Fada Agustn W. 1, Thatht Puwanngtyas 2 Juusan Matematka, FMIPA ITS Suabaya

Lebih terperinci

PELABELAN TOTAL BUSUR-AJAIB b-busur BERURUTAN

PELABELAN TOTAL BUSUR-AJAIB b-busur BERURUTAN JIMT Vol. 4 No. Jun 07 (Hal - 0) ISSN : 450 766X PELABELAN TOTAL BUSUR-AJAIB b-busur BERURUTAN PADA GRAF LOBSTER L n (; ; t) DAN L n (;, s; t) Nujana, I W. Sudasana, dan Resnawat 3,,3 Pogam Stud Matematka

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

BAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F )

BAB III HASILKALI TENSOR PADA RUANG VEKTOR. Misalkan V ruang vektor atas lapangan F. Suatu transformasi linear f L ( V, F ) 28 BAB III HASILKALI TENSOR PADA RUANG VEKTOR III.1 Ruang Dual Defns III.1.2: Ruang Dual [10] Msalkan V ruang vektor atas lapangan F. Suatu transformas lnear f L ( V, F ) dkatakan fungsonal lnear (atau

Lebih terperinci

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

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

Lebih terperinci

2 Tinjauan Pustaka. 2.1 Dasar Mekanika Kuantum Persamaan Schrödinger 4,7

2 Tinjauan Pustaka. 2.1 Dasar Mekanika Kuantum Persamaan Schrödinger 4,7 Tnauan Pustaa. Dasa Meana Kuantum.. Pesamaan Schödnge 4,7 Postulat mendasa dalam meana uantum menyataan bahwa untu setap sstem, tedapat suatu fungs gelombang,ψ, dan suatu opeato tetentu. Opeas opeato yang

Lebih terperinci

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori Ruag Basa Sesh ( Δ ),< < da Bebeaa Pemasaaha Kaatesas Podu Teso ( Δ) ( Δ) Musm Aso Juusa Matemata, FMIPA, Uvestas Lamug J. Soemat Bodoegoo No. Bada Lamug 3545 E-ma: asomath@ahoo.com ABSTRACT I ths ae we

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

Probabilitas Bersyarat, Independensi dan Teorema Bayes dalam Menentukan Peluang Terjadinya Suatu Peristiwa

Probabilitas Bersyarat, Independensi dan Teorema Bayes dalam Menentukan Peluang Terjadinya Suatu Peristiwa TADBIR : Junal Manajemen Penddan Islam Volume 4, Nomo : Febua 06 Pobabltas Besyaat, Independens dan Teoema Bayes dalam Menentuan Peluang Tejadnya Suatu Pestwa Lan G. Otaya Absta Pobabltas hanyalah suatu

Lebih terperinci

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

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

Lebih terperinci

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

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal 157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan

Lebih terperinci

SEMI RING POLINOM ATAS ALJABAR MAX-PLUS

SEMI RING POLINOM ATAS ALJABAR MAX-PLUS JMP : Volume 4 Nomor 2, Desember 2012, hal. 289-297 SEMI RING POLINOM ATAS ALJABAR MAX-PLUS Suroto Prod Matematka, Jurusan MIPA, Fakultas Sans dan Teknk Unverstas Jenderal Soedrman e-mal : suroto_80@yahoo.com

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN III. METODE PEELITIA 3.1. Kerangka Pemkran Peneltan BRI Unt Cbnong dan Unt Warung Jambu Uraan Pekerjaan Karyawan Subyek Analss Konds SDM Aktual (KKP) Konds SDM Harapan (KKJ) Kuesoner KKP Kuesoner KKJ la

Lebih terperinci

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya

Lebih terperinci

NILAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT

NILAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT NIAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT A. Sfat Dasa Moentu Suut p 8. Gaba 8. Defns las oentu angula Aah engut atuan putaan sup anan B. Koponen-Koponen Moentu Obtal ala Keanga Koonat Catesan

Lebih terperinci

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

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

Lebih terperinci

SYARAT PERLU DAN CUKUP SOLVABILITAS MASALAH DEKOPLING SEGITIGA BLOK

SYARAT PERLU DAN CUKUP SOLVABILITAS MASALAH DEKOPLING SEGITIGA BLOK SYARAT PERLU DAN CUKUP SOLVABILITAS MASALAH DEKOPLING SEGITIGA BLOK NECESSARY AND SUFFICIENT CONDITIONS FOR SOLVABILITY OF THE BLOCK TRIANGULAR DECOUPLING PROBLEM PENGANTAR Caturyat 1 dan Sr Wahyun Program

Lebih terperinci

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

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

Lebih terperinci

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi ) APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka

Lebih terperinci

BAB V INTEGRAL KOMPLEKS

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

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

TINJAUAN KLASIK DAN RELATIVISTIK KESTABILAN ORBIT HAMPIR MELINGKAR DALAM MEDAN GAYA SENTRAL

TINJAUAN KLASIK DAN RELATIVISTIK KESTABILAN ORBIT HAMPIR MELINGKAR DALAM MEDAN GAYA SENTRAL ISSN: 141-0917 Junal Pengajaan MIPA, Vl. 6 N. Desembe 005 TINJAUAN KLASIK DAN RELATIVISTIK KESTABILAN ORBIT HAMPIR MELINGKAR DALAM MEDAN GAYA SENTRAL Oleh: Endi Suhendi dan Selly Feanie Juusan Pendidian

Lebih terperinci

BAB I PENDAHULUAN I-1

BAB I PENDAHULUAN I-1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum

Lebih terperinci

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0 Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,

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

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT LAORAN HASIL ENELITIAN ANALISIS MOEL ERSEIAAN BARANG EO ENGAN MEMERTIMBANGKAN FAKTOR KAALUARSA AN FAKTOR ALL UNIT ISOUNT Tauf Lmansyah LEMBAGA ENELITIAN AN ENGABIAN KEAA MASYARAKAT UNIVERSITAS KATOLIK

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

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN

SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN Ita Rahmadayan 1, Syamsudhuha 2, Asmara Karma 2 1 Mahasswa Program Stud S1 Matematka

Lebih terperinci