Design and Analysis Algorithm
|
|
- Agus Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Desg ad Aalyss Algorthm Pertemua 02 Drs. Achmad Rdok M.Kom Imam Cholssod, S.S., M.Kom M. Al Fauz, S.Kom., M. Kom. Rath Kartka Dew, ST, M.Kom
2 Cotets ( of 2) 3 Importat Sum Mapulato 2
3 CS3024-FAZ 3 Importat Sum Mapulatos () ) ( 2 2 ) (... 2 teger lmts :lower & upper ; ) ( u l l u b a b a a c ca u l u u u u u
4 CS3024-FAZ 4 Importat Sum Mapulatos (2) k k k k k a a a a a a a k lg lg ; l... ) ( ) )(2 (... 2
5 Cotets (2 of 2) 3 2 Aalss Algortma Aalss Efses Algortma 3 4 Aalss Efses Algortma No-Rekursf Order Of Growth 5
6 Aalss Algortma Aalss Algortma bertujua memerksa efses algortma dar dua seg : waktu eksekus da pegguaa memor Efses waktu seberapa cepat algortma deksekus Efses memor berapa bayak memor yag dbutuhka utuk mejalaka algortma 6
7 Aalss Efses Algortma Utuk melakuka aalss efses waktu algortma harus destmas dulu waktu eksekus algortma Bagamaa melakukaya? 7
8 Aalss Efses Algortma Algorthm sequetal search (A[0..-], K) // searches for a gve value a gve array by sequetal search // put: a array A[0..-] ad a search key K // output: returs the dex of the frst elemet of A that matches K or - f there are o matchg elemets 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x 8
9 Aalss Efses Algortma Bars kode maa yag sagat berpegaruh pada rug tme? Baga loop (bars 2 da 3). Megapa? Karea deksekus berulag ulag Mak bayak eksekusya, mak lama rug tme program 9
10 Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 0
11 Aalss Efses Algortma tme = Loop x tloop tme = estmas waktu eksekus algortma utuk put tertetu Loop = berapa kal loop deksekus tloop = waktu yag dperluka utuk megeksekus loop kal. Basaya dtetuka satua waktu tapa dspesfkaska berapa laya
12 Aalss Efses Algortma Asumska array A terdr atas eleme. Best case : k dtemuka d eleme pertama array A. tme = x satua waktu Average case : k dtemuka d eleme tegah array A. tme = /2 x satua waktu Worst case : k dtemuka d eleme palg akhr array A. tme = x satua waktu 2
13 Aalss Efses Algortma Lagkah-lagkah umum utuk megaalss efses waktu algortma. Tetuka parameter yag megdkaska ukura put 2. Idetfkas basc operato algortma 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 4. Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus 5. Selesaka rumus sgma utuk meghtug bayakya eksekus basc operato 3
14 Aalss Efses Algortma Step = Tetuka parameter yag megdkaska ukura put Sesuatu pada put yag jka laya bertambah aka meyebabka bayakya eksekus loop bertambah Cotoh, algortma utuk meghtug X megguaka cara X = X * X * X * * X sebayak kal. Parameter ukura putya adalah la, karea jka mak besar, maka bayakya eksekus loop bertambah Bagamaa dega la X? 4
15 Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 5
16 Aalss Efses Algortma Step = Tetuka parameter yag megdkaska ukura put Sesuatu pada put yag jka laya bertambah aka meyebabka bayakya eksekus loop bertambah Cotoh, algortma utuk meghtug X megguaka cara X = X * X * X * * X sebayak kal. Parameter ukura putya adalah la, karea jka mak besar, maka bayakya eksekus loop bertambah Bagamaa dega la X? Utuk algortma sequetal search, parameter ukura putya adalah bayakya eleme array () Megapa la eleme array tdak? 6
17 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Operas palg petg dalam algortma tersebut Dapat dwakl oleh sebuah operas pada loop palg dalam. Operas yag dplh adalah operas yag selalu dlakuka ketka loop deksekus 7
18 Aalss Efses Algortma Sequetal Search 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x Estmas waktu eksekus algortma sequetal search! 8
19 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Waktu yag dperluka utuk megeksekus loop kal Dapat dwakl oleh sebuah operas pada loop palg dalam. Operas yag dplh adalah operas yag selalu dlakuka ketka loop deksekus Utuk algortma sequetal search, basc operatoya dapat dguaka A[] K A[] K deksekus kal setap loop deksekus 9
20 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma 20
21 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Utuk algortma d atas, basc operatoya dapat dguaka maxval<-a[] 2
22 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma 22
23 Aalss Efses Algortma Step 2 = Idetfkas basc operato algortma Utuk algortma d atas, basc operatoya dapat dguaka a[j] > a[j + ] da/atau swap() 23
24 Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S 24
25 Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S Utuk algortma d atas, basc operatoya dapat dguaka perkala da/atau peambaha 25
26 Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda Pada sequetal search, parameter utuk ukura put adalah atau bayakya eleme array Utuk tertetu, apakah bayakya eksekus basc operato bsa berbeda? Jka eleme pertama array put A berla K, maka bayakya eksekus basc operato utuk tertetu C()= Jka K dtemuka d eleme terakhr, maka C()= Perlu dadaka aalsa best case, worst case da average case 26
27 Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 0 whle ad A[] K do + f retur else retur - x 2 x x 2 x x 27
28 Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 28
29 Aalss Efses Algortma Step 3 = Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 29
30 Aalss Efses Algortma Just aother Algorthm N 0 for to do S S + * 2 retur S 30
31 Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus C() = bayakya eksekus basc operato utuk put ukura Utuk Best case : C( ) Best case terjad jka eleme pertama A berla K 3
32 Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Utuk Worst case : C( ) Worst case terjad jka eleme A yag berla K merupaka eleme terakhr atau tdak ada eleme A yag berla K 32
33 Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Utuk Average case : Asumska Data K memag ada d A Probabltas K terletak d eleme tertetu A terdstrbus merata. Probabltas K terletak d eleme ke = / 33
34 Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Poss K dtemuka Bayakya eksekus basc operato Probabltas terjad Kotrbus pada C() / * / 2 2 / 2 * / N * / Betuk umum : * / 34
35 Aalss Efses Algortma Step 4 = Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus Sehgga utuk Average case : C( ) * 35
36 Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Best case utuk sequetal search C( ) C( ) Best case pada sequetal search C() = Utuk put berukura, basc operato dlakuka kal 36
37 Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Worst case utuk sequetal search C( ) C( ) Worst case pada sequetal search C() = Utuk put berukura, basc operato dlakuka kal 37
38 Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Average case pada sequetal search 38 C * ) ( C ) ( ) ( 2 ) ( 2 * ) ( C
39 Aalss Efses Algortma Step 5 = Selesaka rumus sgma yag meujukka berapa kal basc operato deksekus Average case pada sequetal search ( ) C( ) 2 Utuk = 0, C() = 5,5 Apakah tu berart K berada pada eleme 5 atau 6 Apa artya? 39
40 Aalss Efses Algortma Estmas waktu rug algortma sequetal search T() = C op * C() T() = Waktu yag dperluka utuk megeksekus algortma dega put berukura C op = Waktu utuk megeksekus basc operato kal. Basaya dtetuka satua waktu Htug T() utuk sequetal search pada best case, worst case da average case! 40
41 Latha Buat algortma utuk meghtug X secara teratf megguaka cara X = X * X * X * * X sebayak kal. Estmas rug tme algortma yag ada buat! 4
42 Latha 2 Algorthm mystery(a[0..-]) X A[0] for to do f A[] > X X A[] retur X. Apa yag dlakuka algortma mystery? 2. Estmaska waktu eksekus algortma mystery 3. Estmas waktu eksekus algortma mystery utuk put A = [, 2, 5, 9, 4, 4, 7, 0,, 6] 42
43 Latha 3 Algorthm mystery2(a[0..-]) X A[0] for 0 to - do for j 0 to do X A[]+A[j] retur X. Apa Basc Operatoya? 2. Estmaska waktu eksekus algortma mystery2 43
44 Latha 3 Algorthm mystery2(a[0..-]) X A[0] for 0 to - do for j 0 to - do X A[]+A[j] retur X. Apa Basc Operatoya? 2. Estmaska waktu eksekus algortma mystery2 44
45 Latha 4 Algorthm MatrxMultplcato(A[0..-, 0..-], B[0..-, 0..-]) //multples two square matrces of order by the // defto-based algorthm //put: two -by- matrces A ad B //output: matrx C = AB for 0 to - do for j 0 to - do C[,j] 0,0 for k 0 to - do C[,j] C[,j] + A[,k]* B[k,j] retur C CS3024-FAZ 45
46 CS3024-FAZ 46 Latha 4: Aalyss () Iput s sze = matrx order I the ermost loop: multplcato & addto basc operato caddates MUL & ADD executed exactly oce o each repetto o ermost loop we do t have to choose betwee these two operatos Sum of total umber of multplcato ) ( j j k M
47 CS3024-FAZ 47 Latha 4: Aalyss (2) Estmate the rug tme of the algorthm o a partcular mache More accurate estmato (clude addto) c m : the tme of oe multplcato c a : the tme of oe addto 3 ) ( ) ( c M c T m m ) ( ) ( ) ( ) ( c c c c A c M c T a m a m a m
48 Example 4 Algorthm Bary() //put: a postve decmal teger //output: the umber of bary dgts s bary represetato cout whle > do cout cout + /2 retur cout CS3024-FAZ 48
49 Exp4: Aalyss () The most frequet executed operato s the comparso > The umber of tmes the comparso wll be executed s larger tha the umber of repetto of the loop s body by exactly CS3024-FAZ 49
50 Exp4: Aalyss (2) The value of s about halved o each repetto of the loop about log 2 The exact formula: log 2 + Aother approach aalyss techques based o recurrece relato CS3024-FAZ 50
51 Soal Algorthm uqueelemet(a[0..-]) //memerksa apakah setap eleme A uk //put : array A[0..-] //output : megembalka true jka setap eleme A uk da false jka terdapat beberapa eleme yag laya sama for 0 to 2 do for j + to - do Retur true If A[] = A[j] retur false Estmas rug tme algortma uqueelemet! (Aay levt halama 63) 5
52 CS3024-FAZ 55 Exercses (). Compute the followg sums: a b c. 2. Compute order of growth of the followg sums j j j j ; 3 ); ( ; ; ; )2 ( ; lg ; ) (
53 Exercses (2) 3. Algorthm Mystery() //put: a oegatve teger S 0 for to do S S + * retur S a. What does ths algorthm compute? b. What s ts basc operato? c. How may tmes s the basc op executed? d. What s the effcecy class of ths algorthm? e. Ca you make ay mprovemet? CS3024-FAZ 56
54 Exercses (3) 4. Algorthm Secret(A[0..-]) //put: a array A[0..-] of real umber m A[0]; ma A[0] for to - do f A[] < m the m A[] f A[] > ma the ma A[] retur ma - m a. What does ths algorthm compute? b. What s ts basc operato? c. How may tmes s the basc op executed? d. What s the effcecy class of ths algorthm? e. Ca you make ay mprovemet? CS3024-FAZ 57
55 Aalss Algortma No-Rekursf Lagkah-lagkah umum utuk megaalss efses waktu algortma. Tetuka parameter yag megdkaska ukura put 2. Idetfkas basc operato algortma 3. Tetuka apakah utuk ukura put yag sama bayakya eksekus basc operato bsa berbeda 4. Tetuka rumus sgma yag meujukka berapa kal basc operato deksekus 5. Selesaka rumus sgma utuk meghtug bayakya eksekus basc operato 58
56 Latha Algorthm mystery(a[0..-]) X A[0] for to do f A[] > X X A[] retur X. Apa yag dlakuka algortma mystery? 2. Estmaska waktu eksekus algortma mystery 3. Estmas waktu eksekus algortma mystery utuk put A = [, 2, 5, 9, 4, 4, 7, 0,, 6] 59
57 Utuk apa kta mecar T()? Apakah utuk megestmas rug tme algortma? Tujua utama mecar T() buka mecar waktu eksak yag dbutuhka utuk megeksekus sebuah algortma Tetap utuk megetahu tgkat pertumbuha waktu eksekus algortma jka ukura put bertambah (order of growth) 60
58 Latha Algortma mystery T() =. Estmas waktu eksekus algortma jka array putya memlk aggota 0 eleme 20 eleme 30 eleme Buat grafk yag meujukka hubuga atara bayakya eleme array yag deksekus dega waktu eksekus 6
59 Orders of Growth Order of Growth adalah Tgkat pertumbaha waktu eksekus algortma jka ukura put bertambah 62
60 Latha Urutka waktu eksekus algortma 4 berdasar order of growthya dar kecl ke besar T () = 2 T 2 () = 3 T 3 () = T 4 () = log 2 T (0) = 00 T 2 (0) =,000 T 3 (0) = 0 T 4 (0) = 3.3 T (00) = 0,000 T 2 (00) =,000,000 T 3 (00) = 00 T 4 (00) =
61 Membadgka Orders of Growth Algortma A da B merupaka algortma utuk meyelesaka permasalaha yag sama. Utuk put berukura, waktu eksekus algortma A adalah T A () sedagka waktu eksekus algortma B adalah T B (). Orders of growth maa yag palg besar? lm ~ T T A B ( ) ( ) 64
62 Membadgka Orders of Growth lm ~ T T A B ( ) ( ) 0 maka OoG T A () < OoG T B () C maka OoG T A () = OoG T B () ~ maka OoG T A () > OoG T B () 65
63 Example () Compare OoG of ½(-) ad ( ) lm lm lm The lmt = c ½(-) ( 2 ) 2 Compare OoG of log 2 ad log (log 2 )' (log 2 e) lm 2 lm lm 2log 2 elm ( )' The lmt = 0 log 2 has smaller order of 2 0 CS3024-FAZ 66
64 Example (2) Compare OoG of! ad 2. lm! 2 lm 2 2 e lm 2 2 e lm 2 2e The lmt =! (2 ) CS3024-FAZ 67
65 Tugas Terdapat dua algortma yag meyelesaka permasalaha yag sama. Utuk put berukura, Algortma meyelesaka dalam T () = Algortma 2 dalam T 2 () = 3 + Maa yag lebh besar, OoG T atau T 2? Megapa? Utuk kecl, maa yag ada plh? Megapa? Utuk besar, maa yag ada plh? Megapa? 68
66 Kelas-Kelas Order of Growth Mak ke bawah, OoGya mak besar C logn N NlogN costat logarthmc lear N 2 quadratc N 3 cubc 2 N expoetal N! factoral 69
67 Grafk Kelas-Kelas Order of Growth 70
68 Sfat Order of Growth Msal T() = T () + T 2 () + + T () Maka OoG T() = max OoG(T (), T 2 (),, T ()) Msal T() = cf() Maka OoG T() = f() 7
69 Example Alg to check whether a array has detcal elemets:. Sort the array 2. Sca the sorted array to check ts cosecutve elemets for equalty () = ½(-) comparso O( 2 ) (2) = - comparso O() The effcecy of ()+(2) = O(max{ 2,}) = O( 2 ) CS3024-FAZ 72
70 Tugas 2 Tetuka kelas orders of growth dar T () = T 2 () = 0,5! + 0 T 3 () = 3 + log T 4 () = log +0 73
71 Kelas-Kelas OoG () Waktu pelaksaaa algortma adalah tetap, tdak bergatug pada ukura put. (log ) Komplekstas waktu logartmk berart laju pertumbuha waktuya berjala lebh lambat darpada pertumbuha. () Bla djadka dua kal semula, maka waktu pelaksaaa algortma juga dua kal semula. 74
72 Kelas-Kelas OoG ( log ) Bla djadka dua kal semula, maka log mejad lebh dar dua kal semula (tetap tdak terlalu bayak) ( 2 )Bla dakka mejad dua kal semula, maka waktu pelaksaaa algortma megkat mejad empat kal semula. ( 3 )Bla dakka mejad dua kal semula, waktu pelaksaa algortma megkat mejad delapa kal semula. 75
73 Kelas-Kelas OoG (2 )Bla djadka dua kal semula, waktu pelaksaaa mejad kuadrat kal semula! (!)Bla djadka dua kal semula, maka waktu pelaksaaa algortma mejad faktoral dar 2. 76
74 Clck to edt subttle style
ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF
ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)
Lebih terperinciDesign and Analysis Algorithm
Design and Analysis Algorithm Pertemuan 02 Drs. Achmad Ridok M.Kom Fitra A. Bachtiar, S.T., M. Eng Imam Cholissodin, S.Si., M.Kom Aryo Pinandito, MT Contents 31 2 Analisis Algoritma Analisis Efisiensi
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska
Lebih terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciBAB 5. ANALISIS REGRESI DAN KORELASI
BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh
Lebih terperinciBAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier
BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres
Lebih terperinciDi dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu
KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciSTATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran
Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..
Lebih terperinci4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data
//203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura
Lebih terperinciNotasi Sigma. Fadjar Shadiq, M.App.Sc &
Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,
Lebih terperinciMATEMATIKA INTEGRAL RIEMANN
MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk
Lebih terperinciPenarikan Contoh Acak Sederhana (Simple Random Sampling)
Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu
Lebih terperinciBAB 1 ERROR PERHITUNGAN NUMERIK
BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software
Lebih terperinciBAB 2. Tinjauan Teoritis
BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,
Lebih terperinci2.2.3 Ukuran Dispersi
3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka
Lebih terperinci3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut
3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel
BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka
Lebih terperinciTEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas
TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa
Lebih terperinciKALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.
KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah
Lebih terperinciFMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani
FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk
Lebih terperinciBAB 6 PRINSIP INKLUSI DAN EKSKLUSI
BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu
Lebih terperinciSIFAT-SIFAT LANJUT FUNGSI TERBATAS
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas
Lebih terperinciPenarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB
Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom
Lebih terperinciUkuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.
Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda
Lebih terperinci* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES
* PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka
Lebih terperinciUKURAN GEJALA PUSAT DAN UKURAN LETAK
UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu
Lebih terperinciBAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl
Lebih terperinciBAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu
BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl
Lebih terperinci3 Departemen Statistika FMIPA IPB
Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka
Lebih terperinciBAB III UKURAN PEMUSATAN DATA
BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah
Lebih terperinciBAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah
Lebih terperinciAlgoritma dan Struktur Data
Algoritma dan Struktur Data Click to edit Master subtitle style Pertemuan 3 Pengantar Analisis Efisiensi Algoritma Analisa efisiensi algoritma bertujuan mengestimasi waktu dan memori yang dibutuhkan untuk
Lebih terperinciIII. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri
III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,
Lebih terperinci8. MENGANALISIS HASIL EVALUASI
8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara
Lebih terperinciBAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten
BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar
Lebih terperinciSudaryatno Sudirham. Permutasi dan Kombinasi
Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,
Lebih terperinciNotasi Asimtot untuk Analisis Efisiensi Waktu
Notasi Asimtot utuk Aalisis Efisiesi Waktu Aalisis Algoritma 14/09/2006 CS3024-FAZ 1 Isi Notasi Asimtot: O (big oh) (big omega) (big theta) Kelas-kelas Efisiesi Dasar CS3024-FAZ 2 Pada bahasa berikut t()
Lebih terperinciSTATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis
STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma
Lebih terperinciPENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan
Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah
Lebih terperinciBAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,
BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga
Lebih terperinciALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS
LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed
Lebih terperinciBAB IX PENGGUNAAN STATISTIK DALAM SIMULASI
BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug
Lebih terperinci11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN
// REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA
Lebih terperinciWAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST
Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.
Lebih terperinciBAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.
BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah
Lebih terperinciI adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu
METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut
Lebih terperinciSOLUSI TUGAS I HIMPUNAN
Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real
Lebih terperinciTATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.
TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar
Lebih terperinci3.1 Biaya Investasi Pipa
BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciPRAKTIKUM 5 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel
Praktkum 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 5 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN
PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu
Lebih terperinciBAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN
Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau
Lebih terperinciUKURAN GEJALA PUSAT (UGP)
UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat
Lebih terperinciNORM VEKTOR DAN NORM MATRIKS
NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut
Lebih terperinciSTATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi
STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha
Lebih terperinciXI. ANALISIS REGRESI KORELASI
I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.
Lebih terperinciMean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.
Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk
Lebih terperinciPRINSIP INKLUSI- EKSKLUSI INCLUSION- EXCLUSION PRINCIPLE
RISI IKLUSI- EKSKLUSI ICLUSIO- EXCLUSIO RICILE rsp Iklus-Eksklus Ada berapa aggota dalam gabuga dua hmpua hgga? A A = A A - A A Cotoh Ada berapa blaga bulat postf lebh kecl atau sama dega 00 yag habs dbag
Lebih terperinciBAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah
BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,
Lebih terperinciBAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP
BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh
Lebih terperinciIntegrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1
Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det
Lebih terperinciUji Statistika yangb digunakan dikaitan dengan jenis data
Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas
Lebih terperinciAngka Banding Manfaat dan Biaya
METODE ANALISIS PERENCANAAN 2 Mater 3 : TPL 311 Oleh : Ke Marta Kaskoe Agka Badg Mafaat da Baya Dalam proyek pembagua, perlu dketahu apa mafaat dar proyek tersebut? Bagamaa keutuga ekoom atau keutuga sosal
Lebih terperinciRegresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )
Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciLANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)
LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau
Lebih terperinciSUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS
C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah
Lebih terperinciPOLIGON TERBUKA TERIKAT SEMPURNA
MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua
Lebih terperinciINTERPOLASI. FTI-Universitas Yarsi
BAB VI INTERPOLASI FTI-Uverstas Yars Pedahulua Bla dketahu taulas ttk-ttk (y seaga erkut (yag dalam hal rumus ugs y ( tdak dketahu secara eksplst: Htug taksra la y utuk 3.8! FTI-Uverstas Yars Persoala
Lebih terperinciS2 MP Oleh ; N. Setyaningsih
S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal
Lebih terperinciMuniya Alteza
RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur
Lebih terperinciINTERPOLASI INTERPOLASI LINIER INTERPOLASI KUADRATIK
INTERPOASI INTERPOASI INIER INTERPOASI KUADRATIK INTERPOASI POINOMIA Dua ttk data : Gars Tga ttk data : Kuadratk g Empat ttk data :Polomal tgkat-3 Dketahu: ttk data ( y ) ( y ) ( y ) D ttk data :Polomal
Lebih terperinciSTATISTIKA SMA (Bag.1)
SMA - STATISTIKA SMA (Bag. A. DATA TUNGGAL. Ukura Pemusata : Terdapat ilai statistika yag dapat dimiliki oleh sekumpula data yag diperoleh yaitu : a. Rata-rata Rata-rata jumlah seluruh data bayakya data
Lebih terperinciII. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi
3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj
Lebih terperinciSTATISTIKA DASAR. Oleh
STATISTIKA DASAR Oleh Suryo Gurto cara peyaja data - tabel - grak meghtug harga-harga petg : - ukura lokas - ukura sebara/peympaga apabla data mempuya observasya cukup bayak perlu dsusu secara sstematk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciSTUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc
STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha
Lebih terperinciBAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu
BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka
Lebih terperinciTabel Distribusi Frekuensi
Tabel Dstrbus Frekues Tabel dstrbus frekues adalah susua data meurut kelas-kelas terval tertetu atau meurut kategor tertetu dalam sebuah daftar. Dar dstrbus frekues, dapat dperoleh keteraga atau gambara
Lebih terperinciREGRESI LINIER SEDERHANA
MODUL REGRESI LINIER SEDERHANA Dsusu oleh : I MADE YULIARA Jurusa Fska Fakultas Matematka Da Ilmu Pegetahua Alam Uverstas Udayaa Tahu 016 Kata Pegatar Puj syukur saya ucapka ke hadapa Tuha Yag Maha Kuasa
Lebih terperinciEKONOMI TEKNIK. Ekuivalensi
EKONOMI TEKNIK Ekuvales Ekuvales Ekuvales = Nla uag yag sama pada waktu yag berbeda. Jumlah uag berbeda pada waktu berbeda dapat berla ekooms sama. Cotoh = harga bes Rp 4.5, (25), Rp 5.5, (29), da Rp 6.5
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,
Lebih terperinciDasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB
Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad
Lebih terperinciPRAKTIKUM 7 Penyelesaian Persamaan Non Linier Metode Secant Dengan Modifikasi Tabel
Praktkum 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel PRAKTIKUM 7 Peelesaa Persamaa No Ler Metode Secat Dega Modfkas Tabel Tujua : Mempelajar metode Secat dega modfkas tabel utuk peelesaa
Lebih terperinciPEMBELAJARAN 4 ANALISIS REGRESI KORELASI
PEMBELAJARAN ANALISIS REGRESI KORELASI Kompetes Dasar Mahasswa memaham tetag aalss regres korelas, serta mampu megguakaya utuk megaalss data kuattatf Idkator pecapaa Mahasswa dapat: a Mejelaska, meghtug
Lebih terperinci9/22/2009. Materi 2. Outline. Graphical Techniques. Penyajian Data. Numerical Techniques
Mater Outle Graphcal Techques Peyaja Data Numercal Techques Tekk Grafk (Graphcal Techques) Secara vsual, grafs merupaka gambar-gambar yag meujukka data berupa agka yag basaya dbuat berdasarka tabel yag
Lebih terperinciJawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2
M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe
Lebih terperincib) Untuk data berfrekuensi fixi Data (Xi)
B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI
Lebih terperinci