BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 BAB ADASA TEORI. Varabl Varabl adalah arar ag aa d obsrvas dar u amaa. Varabl dalam pla mrupaa suau arbu dar slompo obj ag dl da mml varas aara sau obj dga obj ag la dalam lompo rsbu, msala gg bada da bra bada mrupaa arbu ssorag ag mrupaa obj pla. uru hubuga aara suau varabl dga varabl laa, varabl rbag aas bbrapa baga au : a Dpd varabl aau varabl ra, au varabl ag laa d pgaruh olh varabl bbasa. b Idpd varabl aau varabl bbas, au varabl ag mjad sbab rjada varabl ra. c Varabl modraor au varabl ag mmprua aau mmprlmah hubuga aara suau varabl dpd dga varabl dpd. d Varabl rvg, spr varabl modraor ap laa da dapa d uur spr, cwa, gmbra, sa ha da sbagaa. Varabl orol adalah varabl ag dapa d dala olh pl.. Daa Daa adalah baha bau ag harus dolah shgga brubah sfaa mjad suau formas da dar formas rsbu dapa d ambl suau puusa. Pgumpula Uvrsas Sumara Uara

2 daa d laua uu mdapaa gambara mga suau adaa shgga dapa mmcaha prsoala. Uu mmprolh u smua rlbh dahulu harus d ahu js lm aau obj ag aa d l. Elm adalah u rcl dar obj pla. Elm aau u rcl dapa brupa orag, aga da sbagaa. Ds lm ag aa dguaa sbaga pla brupa aga au la vsas da pdapaa prusahaa d PTP IV Guug Bau. Adapu ujua pgumpula daa adalah uu mgahu arars dar lm rsbu. Karars adalah sfa-sfa aau cr-cr ag dml ag lm shgga sluruh raga ag lm dapa d ahu dga jlas. Uu u dprlua daa-daa mga pdapaa da vsas d PTP IV Guug Bau shgga dapa d l faor-faor ag mmpgaruh hubuga mbal bal dar lm-lm rsbu... Daa uru Sfaa uru sfaa daa d bag mjad dua baga au : a Daa Kuaaf Daa uaaf adalah sragaa obsrvas aau pguura ag dapa d aaa dalam aga-aga (umr. sala, produs saw mga 30 prs, harga dagg sap pr logram Rp , da la-la. b Daa Kualaf Daa ulaf adalah sragaa obsrvas dmaa ap obsrvas ag rdapa dalam sampl aau populas rgolog dalam salah sau las-las ag salg lpas da ag mugaa da d aaa dalam agaaga. sala produs pad mga, harga pupu mloja a da sbagaa... Daa uru Sumbra uru sumbra daa d bag mjad dua baga au : Uvrsas Sumara Uara

3 a Daa Iral Daa ral adalah daa ag d buuha sorag pmmp prusahaa ag brgua sbaga ladasa pgambla puusa dmaa daa rsbu d prolh dar caaa-caaa r prusahaa rsbu. sala daa pjuala, pdapaa prusahaa da vsas. b Daa Esral Daa sral adalah daa ag haa dapa d prolh dar sumbr-sumbr ag ada d luar prusahaa aau sas. sala prusahaa mcar daa mga daa bl osum dar aor pusa sas smpa...3 Daa uru Cara mprolha uru cara mmprolha daa dbag aas dua baga au : a. Daa Prmr Daa Prmr adalah daa ag dumpula da dolah sdr olh orgasas ag mrbaa aau proraga lagsug dar oraga. b. Daa Sudr Daa sudr adalah daa ag drba olh orgasas ag bua mrupaa pgolaha aau daa ag dprolh dalam bu jad da lah dolah olh pha la, ag basaa dalam bu publas...4 Daa uru Wau Pgumpulaa uru pgumpulaa daa dbag aas dua baga au : a. Daa cross sco Daa cross sco adalah daa ag dumpula dalam suau prod ru, basaa mggambara adaa aau gaa dalam prod rsbu. sala hasl ssus pdudu 990 mggambara adaa Idosa pada ahu 990 muru umur, js lam da la-la. Uvrsas Sumara Uara

4 b. Daa brala (m srs Daa brala (m srs adalah daa ag dumpula dar wau wau. Tujuaa adalah uu mggambara prmbaga suau gaa dar wau wau. sala, prmbaga produs pad slama lma ahu rahr. Daa dsbu juga daa hsors..3 Pdapaa Pdapaa prusahaa mrupaa daa ag mmbra pghasla bag prusahaa ag brasal dar dvd aas vsas aau praa brupa pmla saham prusahaa la, da buga ag d rma olh prusahaa dar vsas prusahaa pada oblgas prusahaa la aau dar smpaa uag prusahaa pada suau sas spr Ba..4 Ivsas Ivsas adalah suau ava ag d guaa prusahaa uu prumbuha aaa mlalu dsrbus hasl vsas spr, buga, roal, dvd, uag swa uu aprsas la vsas aau uu mafaa la bag prusahaa ag brvsas. Ava ag d guaa dalam pla adalah ava brgra spr bru :. Kas da ba. Dposo brjaga 3. Tagha 4. Pors puag jaga pajag 5. Uag mua pmbla mpor 6. Pjama pgawa/arawa 7. Pjama la-la 8. Paja ag dbaar dmua 9. Baa ag dbaar dmua 0. Baha bau da plgap Uvrsas Sumara Uara

5 . Prsdaa produs da hasl jad Hal dlaua ara ava brgra mmpua la ag brubah sap ahu shgga slalu brpgaruh pada padapaaa. Cooha mafaa ag d prolh dar hubuga prdagaga. Ivsas basaa mrupaa bu paama daa prusahaa dalam prusahaa la dalam jaga pajag dalam bu saham, oblgas aau sura brharga laa..5 Aalss Rgrs Aalss rgrs adalah sasa ag brgua uu mmrsa da mmodla hubuga d aara varbl-varabl. Aalss rgrs dapa d guaa uu dua hal poo au : a Uu mmprolh suau prsamaa da gars ag mujua prsamaa hubuga aara dua varabl. Prsamaa da gars ag rdapa dsbu prsamaa rgrs ag dapa brbu lr maupu olr. b Uu masr sau varabl ag dsbu varabl ra dga varabl la ag dsbu varabl bbas brdasara hubuga ag d ujua prsamaa rgrs rsbu..6 odl Rgrs ar Suau modl rgrs dar suau populas d maa rdapa sau varabl ag dpd (dpd varabl msala da sbaa - varabl-varabl bbas (dpd varabls msala,,, ag mua la dapa daaa sbaga bru : d maa : ag mrupaa varabl-varabl 3 3 (.,,..., lm osa Uvrsas Sumara Uara

6 samap ofs-ofs rgrs shocasc dsurbac rm jumlah obsrvas bsar populas Prsamaa (. dapa dpcah dalam bu suau ragaa prsamaa-prsamaa smula sbaa, au sbaga bru : (. Prsamaa (. dapa juga d aaa dalam bu mar sbaga bru : (.3 Aau D maa : mars obsrvas sbaa ag rdr dar sbaa - varabl bbas au,, 3, vor olom brdms x ag rdr dar paramr,,, vor olom brdms x ag rdr dar dsurbac rms..7 Uj Aar U (U Roo Ts Pguja aar u dguaa uu mlha apaah daa ag dama saor aau da. Ts sbara haa mrupaa plgap dar aalss VAR, mgga ujua dar aalss VAR adalah uu mla adaa hubuga mbal bal d aara varabl-varabl ag dama, da bua s uu daa. Prhaa mbul ara ja raa daa m-srs ag d l brsfa o-saoar Uvrsas Sumara Uara

7 spr baaa daa oom, maa hasl rgrs ag braa dga daa msrs aa mgadug R ag rlaf gg da Durb-Waso sascs ag rdah spr ag d muaa olh Gragr da wbold (974, 977. Dga aa la aa mbul masalah ag dsbu spurous rgrsso (Phlps, 986. Ksabla suau modl m-srs brmaa radug sfa saoar dalam modl bru : ; u ~ ID(0,,..., ID(0, µ (.4 maaa adaa ormal dsrbuo dga la raa-raa 0, vara ap da ovara 0. Kods saoar dalam modl (.4 mgadug pgra bahwa <. Dalam hal prlu d laua pguja ull-hpohss rhadap alraf hpohss <. Pguja ull-hpohss ag aar u dslsaa dga mgguaa prosdur Fullr(976 da Dc da Fullr (979. sala daa m-srs brbu: ( b (.5 ( a b (.6 (3 a3 b3 c3 3 (.7 Apabla la absolu < dalam modl (.4 maa la b dar sap modl rgrs dar modl (.5 sampa (.7 d prraa brsfa ormal da dsrbus - sascs mjad ( b / s( b ag aa mda dmaa brla, aau 3 rgaug modl rgrs ag dguaa. Apabla da modl (.4 mrupaa modl ag sbara, maa dsrbus mpral -sascs adalah da bua. sala, hasl-hasl modl (.5 sampa (.7 lah dprolh. Dga mmbadga -sascs ag rra dalam abl Dc-Fullr da ag dhug mlalu rgrs masg-masg, a dapa mgambl smpula mga bradaa u roo. Uu ada ga jjra dsrbus -sascs dalam modl Uvrsas Sumara Uara

8 Dc-Fullr au masg-masg uu modl rgrs apa rcp, uu modl rgrs dga rcp da uu modl rgrs dga rcp da rd wau. asg-masg -sasc daaa dga smbol-smbol τ, τ µ da τ τ dalam abl Dc-Fullr. lalu abl Dc-Fullr a aa mola ull-hpohss ag maaa adaa sfa saoar apabla la -sascs ag d prolh braa dga ofs rgrs modl lbh cl darpada la -sascs pada ga sgfa %, 5% da 0%. Prosdur pguja Dc da Fullr da brubah apabla a g mguj modl rgrs ag mgadug hghr ordr auorgrssv procsss. sala, a g mguj u roo modl rgrs ag bru: α p α j j j ε Dmaa : α j p j α, j,,..., p Da α p α Dsrbus -sascs braa dga adalah sama dga ag rra dalam abl Dc-Fullr uu modl rgrs ag mgadug AR(. Pguja dalam modl dsbu pguja Dc-Fullr ag dprluas (Augmd Dc- Fullr Ts..8 lhood Rao Ts lhood rao s dguaa uu mguj apaah suau modl rgrs ag d asr dga mgguaa mod maxmum llhood mmuh prsaraa ag lah d apa mga paramr-paramr modl rgrs ag d asr. lhood rao s d dasara aas pmra bahwa apabla prsaraa ag d apa brlau, maa la log llhood fuco ag d maxmuma dga Uvrsas Sumara Uara

9 adaa prsaraa aau pmbaasa da aa baa brbda dar la log llhood fuco ag d maxmuma dar modl rgrs apa adaa pmbaasa. og llhood rao d hug dga mgguaa formula sbaga bru : R -( 0 - ~ χ m (.8 d maa: 0 la log llhood fuco dalam modl rgrs apa pmbaasa la log llhood fuco dalam modl rgrs dga pmbaasa m jumlah pmbaasa. Fugs llhood ag basa daaa dalam bu log shgga d sbu fugs log llhood ( ag aa d maxmuma brdasara la-la ag coco uu α,, adalah : log f ( (.9 d maa : ( ( xp α π f (.0 ag mrupaa fugs ormal ds. Olh sbab u, fugs log llhood dapa d aaa sbaga bru : log(π log ( α (. Dfrsala (. dalam hubugaa dga α,, dga ol, maa d prolh : ( α 0 da samaa drvaf (. ( α 4 ( α 0 0 (.3 (.4 α,, da adalah smbol-smbol uu hasl pasra brdasara mod maxmum llhood. Dar (. da (.3 d prolh : α (.5 α (.6 Uvrsas Sumara Uara

10 Prsamaa (.5 da (.6 adalah prsamaa-prsamaa ormal. Hasl pasra brdasara mod maxmum llhood d aaa dga formula sbaga bru : ( α (.7 Dga dma uu asus-asus modl rgrs dga -varabl fugs log llhood adalah sbaga bru : ( ( log log π (.8 Dga mdfrsal parsal da mamaa drvaf sama dga ol d prolh: ( 0 ( ( 0 4 Shgga pmcahaa mghasla ( lhood rao s dguaa uu mlha brapaah jumlah lag ag palg ssua dalam uu suau modl. Slah dahu brapa lag ag aa d guaa dalam suau modl maa aa dua lag maa ag palg rlva d paa dalam modl dga mgguaa Fal Prdco Error (FPE. Pua lag ag opmal uu sbaga varabl bbas da lag opraor uu x da ada, ddasara aas uura Fal Prdco Error (FPE ag mmum ag lah dformulasa olh Aa (969 ag dalam hal adalah sbaga bru: FPE T T S T S T ( d maa : Uvrsas Sumara Uara

11 FPE Fal Prdco Error T jumlah obsrvas S jumlah lag dalam modl adalah la ag dramala brdasara hasl rgrs (prdcd valu of..9 Gragr Causal Ts Dalam ralas oom, modl rgrs lr d maa varabl dpd d rgrsa aas varabl-varabl bbas da dapa d pasa mgadug pgra bahwa varabl dpd scara ausal bul-bul d ua olh varabl-varabl scara spha. Ada muga dalam suau modl prsamaa uggal, varabl dpd dua olh varabl bbas, ap sbala varabl bbas juga dua olh varabl dpd shgga dalam hal rdapa ausalas dua arah. Dua praga daa m-srs ag lr braa dga varabl da d formulasa dalam dua bu modl rgrs ag bru : a b j j j ` r s c d j j j ` v u (.9 (.0 Dga u, v adalah rror rms ag d asumsa da mgadug orlas sral da m r s. Hasl-hasl rgrs lar aa mghasla mpa muga mga la ofs-ofs rgrs masg-masg au : ( Ja ( Ja b j j b j j (3 Ja la b j j s d j j 0 da s d j j 0 da s d j j 0 da 0 maa rdapa ausalas sau arah dar. 0 maa rdapa ausalas sau arah dar 0 maa da bbas aara sau dga ag Uvrsas Sumara Uara

12 b j j (4 Ja s d j j 0 da 0 maa rdapa ausalas dua arah aara da Uu mmprua das bradaa brbaga bu ausalas ag rsbu d aas, maa d laua F-s uu masg-masg modl rgrs. Cara la uu mjlasa mod pguja ausalas Gragr adalah dga mgguaa rgrs apa pmbaasa (ursrcd rgrsso da rgrs dga pmbaasa (rsrcd rgrsso. sala, a g mguj hposs bahwa da mmpgaruh. Uu u mula-mula mghug rgrs-rgrs ag bru: m m α ε (. m α ε (. Prsamaa (. dsbu prsamaa apa pmbaasa da Prsamaa (. dsbu prsamaa dga pmbaasa. Slajua brdasara la-la sum squar of rsdual agdprolh dar masg-masg prsamaa daas, dga mghug F-sasc da mlaua pguja apaah sluruha la-la, au paramr-paramr ag braa dga x scara sgfa da sama dga ol. Sadaa sluruha la-la posf scara sgfa, maa a dapa mola ull hpohss ag maaa bahwa da mmpgaruh. Prosdur pguja ag sama dapa dlaua uu mguj ull hpohss ag la bahwa da mmpgaruh..0 Th Impuls Rsposs Dalam aalss Impuls Rspos a aa mlha f gjola suau sadar dvas dar varabl baru rhadap la ag sudah ada da la ag aa daag dar varabl-varabl ra dalam modl ag dama. Ds aa dlha sadar rror pada masg-masg varabl. sala mrupaa urua -dms vcor dar: Uvrsas Sumara Uara

13 A Φ( B U A α 0 p p Φ U U (.3 I (I A B A B A p B p Φ (B (.4 Dga, cov(u, Φ adalah pguur h mpuls rspos rhadap ofs A. Slajua Φ j, mwal rspo dar j varabl mpuls u dalam - varabl -h prod ag lampau. Impuls rspos fuco dguaa uu mgvaluas fvas suau prubaha shoc dar sau varabl rhadap varabl laa. Apabla o-dagoal, maa da mug rjad shoc dar sau varabl rhadap varabl la ag sudah dua. Kraga :. Uu K-dms VAR(p sabl ja Φ j, 0 uu j,,, Aau Φ j, 0 uu,,p(k- Dga aa la, ja pk-p rspo ag prama rhadap j varabl mpuls varabl adalah ol, maa smua rspos adalah ol. (upohl Proposo.4. Varabl da mbaba varabl j ja da haa ja Φ j, 0,,,. Th Chols Dcomposo Th Chols Dcomposo aau Th Varac Dcomposo dguaa uu mlha pgaruh sgfa rhadap varabl ra da varbl ag palg mmbra orbus bsar rhadap varabl ra rsbu. Dalam aalss aa dsusu prraa mga rror varac suau varabl shgga aa dahu sbrapa bsar prbdaa aara varac sblum da ssudah f gjola Uvrsas Sumara Uara

14 d laua. sala P mars sgga bawah shgga prsamaa (.3 mjad α Θ w (.5 0 Dga : Θ w P E Φ P U ( w w I sala D mrupaa dagoal mars ag sama dga P da W PD -, ΛDD slah dmapulas dprolh: B 0 B - B p -p V (.6 Dga, B 0 I W -, W PD -, B W - A. B 0 adalah mars sgga bawah dga dagoal 0. Dga aa la, chols dcomposo mua sruur hubuga ausal dar varabl aas varabl bawah, ap da brlau sbala.. Pguja Hposs Pguja hposs dlaua uu mgahu sgfa aau da aalss rgrs ag d aalss. Adapu lagah-lagah uu mguj hposs adlah sbaga bru:. Uj scara gabuga Uj scara gabuga dlaua dga mgguaa uj F dga lagah sbaga bru : a. ghug F pla. b. ghug F abl dga ua sbaga bru: Taraf sgfas 0,05 da draja bbasa dga ua umraor - da dumraor - c. ua uj rra hposs Krra pguja : Ja F pla > F abl maa H 0 dola da H drma Ja F pla F abl maa H 0 drma da H dola d. gambl puusa. Uvrsas Sumara Uara

15 . mbadga aga araf sgfas - Ja la probablas 0,05 lbh cl aau sama dga la probablas maa H 0 drma da H dola, ara ada hubuga lr aar varabl scara gabuga. - Ja la probablas 0,05 lbh bsar darpada probablas maa H 0 dola da H drma, ara da ada hubuga lr aar varabl scara gabuga.. Uj Kslarasa Uj scara slarasa mgguaa uj ch-squar dga lagah sbaga bru : a. ua hposs Hposs : H 0 : dua faor slaras. H : dua faor da slaras. b. ghug bsara χ pla c. ghug basara χ abl dga ua sbaga bru : Taraf sgfas da draja bbasa -. d. ua Krra : Krra uj hposs sbaga bru : Ja χ pla > χ abl maa H 0 dola da H drma. Ja χ pla. Ksmpula. χ abl maa H 0 drma da H dola. Uvrsas Sumara Uara

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson

Maximum Likelihood Estimation Model Linear dan Log-Linear dalam Regresi Poisson Prosdg Sar Nasoal Pla Pdda da Prapa MIPA Faulas MIPA Uvrsas Ngr Yogaara 6 M 9 Mau lhood Esao Modl ar da og-ar dala Rgrs Posso Yul Wbawa Jaa Nugraha Jurusa Sasa FMIPA-UII Kapus Trpadu UII Jl Kalurag KM

Lebih terperinci

BAB IV METODOLOGI PENELITIAN

BAB IV METODOLOGI PENELITIAN 56 BAB IV METODOLOGI PENELITIAN Brdasara la yag rah dlaua sblumya, ada bbraa alraf ssfas modl da modolog yag daa dguaa uu mggambara hubuga rja ssm uaga da rumbuha oom. Kg da Lv (99) mgaj hubuga aara rmbaga

Lebih terperinci

( α = 0, 05 ) rumus yang digunakan untuk menentukan jumlah anggota sampel adalah:

( α = 0, 05 ) rumus yang digunakan untuk menentukan jumlah anggota sampel adalah: BAB LANDASAN TEORI Pramala adalah giaa umu mmpriraa apa ag aa rjadi pada masa ag aa daag brdasara pgalama di masa lalu. Mod pramala ag srig diguaa dalam oomi da duia usaha adalah dr wau (im sris).. Bbrapa

Lebih terperinci

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet

BAB 2 TEORI DASAR (2-3) (2-4) E = Medan Listrik H = Medan Magnet BAB TORI DASAR. PRINSIP DASAR GPR Radar mrupaa ala ag dguaa uu md ara aau arah uau bda aomal dga glombag rado baga umbr rada. Salah au pgmbaga apla glombag rado adalah Groud Prag Radar GPR ag dguaa uu

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada

Lebih terperinci

Aksioma ini mendefinisikan jangkauan probabilitas adalah dari 0 sampai 1. Nilai negatif tidak diperbolehkan. '

Aksioma ini mendefinisikan jangkauan probabilitas adalah dari 0 sampai 1. Nilai negatif tidak diperbolehkan. ' DFTR ITILH. rrval : rswa daagya sorag plagga dalam ssm ara.. rrval ra : Nla raa-raa bayaya arrval dalam sau saua wau. 3. Br-da : ggambara suau pross yag ddalamya rdapa prswa lar d dalam ssm ara al brar

Lebih terperinci

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak

PEMODELAN REGRESI ZERO INFLATED POISSON (APLIKASI PADA DATA PEKERJA SEKS KOMERSIAL DI KLINIK REPRODUKSI PUTAT JAYA SURABAYA) Abstrak Pmodla Rgrs Zro Ilatd Posso... Ala star PEMODEAN REGRESI ZERO INFAED POISSON APIKASI PADA DAA PEKERJA SEKS KOMERSIA DI KINIK REPRODUKSI PUA JAYA SURABAYA Ala star Purhad Madu Rata Jurusa Spl Uvrstas Ad

Lebih terperinci

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus

Interpretasi Parameter dalam Model Regresi Logistik untuk Variabel Bebas Dikotomus Jural EKSPONENSIAL Volum 3, Nomor, M 22 ISSN 285-7829 Itrprtas Paramtr dalam Modl Rgrs Logst utu Varabl Bbas Dotomus Paramtr Itrprtato Logstc Rgrsso Modls for Dcotomus Idpdt Varabl Darah A. Noh Program

Lebih terperinci

SOAL 1.1. : Melempar dua mata uang, ruang sampelnya (S) adalah :

SOAL 1.1. : Melempar dua mata uang, ruang sampelnya (S) adalah : uba aca da sfa sfaya. rcobaa aca Radom prm mrupaa suau prcobaa dmaa luara oucom yag rad da dapa dua dga pas. Ruag sampl Sampl spac / S / Ω adala mpua yag mmua asl smua prcobaa. T sampl adala aggoa dar

Lebih terperinci

ANALISIS PENYALURAN RASKIN DI KOTA SEMARANG. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang

ANALISIS PENYALURAN RASKIN DI KOTA SEMARANG. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang ANAISIS PENYAURAN RASKIN DI KOTA SEMARANG Rosaa Eo N da Ta Wdharh Alum PS Sasa Jurusa Mamaa FMIPA UNDIP PS Sasa Jurusa Mamaa FMIPA UNDIP Jl. Prof. H. Sodaro, S.H., Tmbala, Smara Absrac. Ras Proram s aoal

Lebih terperinci

BAB 2 MATEMATIKA SEBAGAI ALAT ANALISIS SISTEM KONTROL

BAB 2 MATEMATIKA SEBAGAI ALAT ANALISIS SISTEM KONTROL BB MEMIK SEBGI L NLISIS SISEM KONROL uu aal dama pro:. raorma Laplac umum. Smula ompur lb aura da dal. raorma Laplac L: Brlau aa pada Pramaa Dral PD lar: mruba PD mjad pramaa aljabar Dapa mgguaa gra uu

Lebih terperinci

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial Prhungan Pr dngan Asus Wau Anar Kla Brdsrbus Esponnsal Fahauz Zuharoh Jurusan Pnddan Maaa, STKIP, YPUP Maassar Info: Jurnal MSA Vol. 2 o. Eds: Januar Jun 24 Arl o.: 3 Halaan: 5-22 ISS: 2355-83X Prod Maaa

Lebih terperinci

INTERVAL KREDIBEL BAYESIAN OBYEKTIF DARI PARAMETER POPULASI BERDISTRIBUSI POISSON DAN EKSPONENSIAL

INTERVAL KREDIBEL BAYESIAN OBYEKTIF DARI PARAMETER POPULASI BERDISTRIBUSI POISSON DAN EKSPONENSIAL INTERVAL KREDIBEL BAYESIAN OBYEKTIF DARI PARAMETER POPULASI BERDISTRIBUSI POISSON DAN EKSPONENSIAL A Sawa Program S Mamaka Isr a Saska Faklas Sas a Mamaka Uvrsas Krs Saya Wacaa Jl Dpogoro 5-6 Salaga 57

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

LAMPIRAN I GREEK ALPHABET

LAMPIRAN I GREEK ALPHABET LAMPIRAN I GREEK ALPHABE Α, Alpha Μ, µ Mu Ψ, Psi Β, β Ba Ν, ν Nu Ω, ω Oga. Γ, γ Gaa, δ Dla Ε, ε Epsilo Ζ, ζ Za Η, η Ea Θ, θ ha Ι, ι Ioa Κ, κ Kappa Λ, λ Labda Ξ, ξ i Ο,ο Oico Π, π Pi Ρ, ρ Rho Σ, σ Siga

Lebih terperinci

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit. Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas

Lebih terperinci

Bab 7: Beberapa Topik Lanjut

Bab 7: Beberapa Topik Lanjut A 7 brapa opi Lau ab 7: brapa opi Lau Rprai Low Pa dari Sial adpa Moiai : uua laar Pra dapa laua aplig ial badpa ara ffii, lalui i LP rpraio dari ial P. Aalog P A Miala adalah bad-pa igal, aa dapa dibu

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato

Lebih terperinci

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

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di: JURNAL GAUSSIAN, Volum, Nomor, ahu 0, Halama 55-64 Ol d: htt://joural-s.ud.ac.d/d.h/gaussa PEMODELAN REGRESI ZERO-INFLAED NEGAIVE BINOMIAL ZINB UNUK DAA RESPON DISKRI DENGAN EXCESS ZEROS Bau Arawa, Suart,

Lebih terperinci

BAB IV SISTEM TUNGGU (DELAY SYSTEM)

BAB IV SISTEM TUNGGU (DELAY SYSTEM) 38 Da eayaa Traf BB IV SISTM TUGGU (DLY SYSTM) Kedaaga ae buffer erver µ Keberagaa ae Gambar 4. : model em uggu ada em uggu, aggla yag daag ada aa emua bu, aggla erebu meuggu ama ada alura/eralaa yag beba

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Mota Dwya ), N Wahyu Utam, M. Pd. ) Program Stud Pdda Matmata Faultas

Lebih terperinci

Uji Median Pengaruh Utama dan Interaksi dalam Percobaan Berfaktor

Uji Median Pengaruh Utama dan Interaksi dalam Percobaan Berfaktor Jural Grade Vol3 No Jul 007 : 77-8 U Meda Pegaruh Uaa da Ieras dala Peroaa Berfaor Sg Nugroho Jurusa Maeaa, Faulas Maeaa da Ilu Pegeahua Ala, Uversas Begulu, Idoesa Dera Ju 007; Dseuu 6 Jul 007 Asra -

Lebih terperinci

PENENTUAN ALOKASI PESANAN BAHAN BAKU DENGAN INTEGRASI METODE FUZZY-TOPSIS DAN MULTI CHOICE GOAL PROGRAMMING DI PT. DJARUM KUDUS

PENENTUAN ALOKASI PESANAN BAHAN BAKU DENGAN INTEGRASI METODE FUZZY-TOPSIS DAN MULTI CHOICE GOAL PROGRAMMING DI PT. DJARUM KUDUS Jural SIMETRIS Vol 6 No Novmbr 5 ISSN: 5-98 PENENTUN LOKSI PESNN BHN BKU ENGN INTEGRSI METOE FUZZ-TOPSIS N MULTI CHOICE GOL PROGRMMING I PT JRUM KUUS aa Puspa Sar Fakulas Tkk Program Su Tkk Iusr Uvrsas

Lebih terperinci

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL

APLIKASI STATISTIKA DALAM BIDANG KESEHATAN DENGAN REGRESI LOGISTIK ORDINAL APIKASI SAISIKA DAAM BIDANG KESEHAAN DENGAN EGESI OGISIK ODINA oha Bdhaa* b_bdhaa@yahoo.co.d SIKES Kota Sabm Abstra Dalam mta varabl-varabl prdtor yag brpgarh trhadap varabl rspo dmaa varabl rspo brsala

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

Catatan Teknik (Technical Notes) Pengerjaan Metoda Inversi Integral pada Perumusan Persamaan Muka Air Gelombang Air Nonlinier

Catatan Teknik (Technical Notes) Pengerjaan Metoda Inversi Integral pada Perumusan Persamaan Muka Air Gelombang Air Nonlinier Huahaa ISSN 085-98 Jural Toris da Trapa Bidag Rayasa Sipil Caaa Ti Tchical Nos Pgrjaa Moda Ivrsi Igral pada Prumusa Prsamaa Mua Air Glombag Air Noliir Syawaluddi Huahaa Klompo Kahlia Ti Klaua, Faulas Ti

Lebih terperinci

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah

Model Regresi Logistik pada Kelulusan Ujian Sertifikasi Pengadaan Barang dan Jasa Pemerintah JEKT JURNAL EKONOMI 9 [] : 80 KUANTITATIF - 84 TERAPAN Vol. 9 No. FEBRUARI 06 ISSN : 30-8968 Modl Rrs Lost pada Klulusa Uja Srtfas Padaa Bara da Jasa Pmrtah Ru *) ABSTRAK Modl rrs mrupaa alat utu maalss

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

KARAKTERISTIK FUNGSI DISTRIBUSI FOUR-PARAMETER GENERALIZED-t

KARAKTERISTIK FUNGSI DISTRIBUSI FOUR-PARAMETER GENERALIZED-t Jural -DuMah Volum No Jauar 6 Hlm 8- KARAKTERISTIK FUNGSI DISTRIUSI FOUR-PARAMETER GENERALIZED- Rahma Cahad Warsoo Musoa Usma Da Kurasar Pddka Mamaka STKIP Muhammadah Prgswu Emal: rahma_cahad@ahoocom Mamaka

Lebih terperinci

Sudaryatno Sudirham ing Utari. Mengenal. 2-2 Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1)

Sudaryatno Sudirham ing Utari. Mengenal. 2-2 Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1) Sudaryao Sudiram ig Uari Mgal Sifa-Sifa Marial 1 - Sudaryao S & Nig Uari, Mgal Sifa-Sifa Marial 1 BB Elro Sbagai Paril Da Sbagai Glombag Tla disiggug di bab sblumya, d Brogli mgaua posula bawa paril yag

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1 JURNAL SAINS DAN SENI POMITS Vol., No., (3) 33-3 (3-8 Prt) D- Pmodla Partspas Wata dalam Kgata Ekoom Rumah Tagga Nlaya d Pssr Tmur Surabaya (Stud Kasus Kcamata Kcamata Bulak, Mulyorjo, da Kjra) Irma Harlagtyas,

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2 Kaa Kovrgs Barsa Ruag Norm-(-) Dga KAJIAN KONVERGENSI BARISAN RUANG NORM-(-) DENGAN Faratul Masruroh Era Aprla Sao 3 Jurusa Matmatka FMIPA Isttut Tkolog Spuluh Nopmbr Surabaa 3 Jl. Arf Rahma Hakm Kampus

Lebih terperinci

4.3 Sampling dari distribusi normal dan estimasi likelihood maksimum

4.3 Sampling dari distribusi normal dan estimasi likelihood maksimum Hardwiyao Uomo 060545 4.3 Samlig dari disribusi ormal da simasi liklihood maksimum Liklihood ormal mulivaria Kia asumsika vkor,,..., dga mrrsasika saml acak dari oulasi ormal mulivaria dga raa-raa µ da

Lebih terperinci

PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI

PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI PENDUGAAN DURBIN WATSON UNTUK MENGATASI OTOKORELASI DALAM ANALISIS REGRESI LINEAR SKRIPSI Daua uu Memeuh Persyaraa Peyelesaa Program Saraa Sas Jurusa Maemaa Faulas Maemaa da Ilmu Pegeahua Alam Uversas

Lebih terperinci

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK BAB II PEMODELAN SRUKUR DAN ANALISIS DINAMIK II Pedaulua Aalss da saga dperlua uu bagua-bagua berlaa baya aau yag el egga leb dar eer Respo da sruur dabaa ole beba beba da yag basaya erupaa fugs dar wau

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volum 4, Nomor 4, Tahu 015, Halama 97-936 Ol d: http://joural-s1.udp.ac.d/dx.php/gaussa ANALISIS KEPUTUSAN KONSUMEN MEMILIH BAHAN BAKAR MINYAK (BBM MENGGUNAKAN MODEL REGRESI

Lebih terperinci

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n.

b. peluang terjadinya peristiwa yang diperhatikan mendekati nol (p 0). c. perkalian n.p =, sehingga p = /n. 0 DISTRIBUSI POISSO Distribusi Poisso ii diprolh dari distribusi biomial, apabila dalam distribusi biomial brlau syarat-syarat sbagai briut: a. baya pgulaga sprimya sagat bsar ( ). b. pluag trjadiya pristiwa

Lebih terperinci

Sidang Tugas Akhir D3-Statistika, 11 Juni 2013 Gedung H Lt.2

Sidang Tugas Akhir D3-Statistika, 11 Juni 2013 Gedung H Lt.2 Sdag Tugas Akr D3-Saska, Ju 3 Gdug H L. Taua Pusaka Saska Dskrf Tabl Kogs Walol, 995 Mod-mod ag brkaa dga gumula da aa suau gugus daa, sgga mmbrka formas ag brgua da aa mmbrka formas mga daa ag dmlk da

Lebih terperinci

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

Koefisien Korelasi Spearman

Koefisien Korelasi Spearman Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah

Lebih terperinci

Solusi khusus dari masalah nilai awal tersebut dapat ditulis dalam bentuk integral Fourier, yaitu:

Solusi khusus dari masalah nilai awal tersebut dapat ditulis dalam bentuk integral Fourier, yaitu: KARTIKA YULIANTI Jurusan Pndidian Mamaia FPMIPA - Univrsias Pndidian Indonsia Jl. Dr. Syabudhi 9, Bandung Tlp. () 8, Fa () 8 -mail: yar_ia @ yahoo.com DINAMIKA FLUIDA EXERCISE. Ta as iniial spcrum a bloc

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN. Laar Belaag D alam erdapa baya seal jes mahlu hdup. Mahlu hdup ersebu aa mejala seles alam d maa yag ua yag aa beraha. Salah sau ejada yag dapa dama adalah persaga uu memperoleh maaa dalam

Lebih terperinci

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

BAB IV DATA DAN ANALISA

BAB IV DATA DAN ANALISA BAB IV DATA DAN ANALISA Pngujian yang dilakukan brupa pngujian masa hidup (lifim) cahaya dari 0 uni lampu DC 4,8 Vol olh hardwar yang lah dirancang. Hasil pngujian ini akan dianalisa raa-raa lifim µ dari

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

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

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

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS 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 terperinci

Penerapan Model Predictive Control (MPC) pada Kapal Autopilot dengan Lintasan Tertentu

Penerapan Model Predictive Control (MPC) pada Kapal Autopilot dengan Lintasan Tertentu JURNA SAINS DAN SENI ITS Vol, No, Sp 0 ISSN: 0-98X A-5 Papa Mol P Cool MPC paa Kapal Aoplo a aa T S Aa Sola, Kaa, a Sba Ja Maaa, Fala Maaa a Il Paa Ala, I Tolo Spl Nopb ITS Jl A Raa Ha, Sabaya 60 Eal:

Lebih terperinci

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT

BAB 1 HAMPIRAN TAYLOR DAN ANALISIS GALAT Catata Kuliah EL Aalisis Numrik BAB HAMPIRAN TAYLOR DAN ANALISIS GALAT. Pgatar Mtod Numrik Ktika kita mylsaika prsamaa-prsamaa matmatika di maa torma-tormaya masih dapat ditrapka, solusi aalitik atau solusi

Lebih terperinci

PENERBITAN IJAZAH UNIVERSITAS RIAU

PENERBITAN IJAZAH UNIVERSITAS RIAU STANDARD OPERASIONAL PROSEDUR (SOP) PENERBITAN IJAZAH UNIVERSITAS RIAU Idas Pmbuaa Taggal Trb Eds I : 1 Dsmbr 2017 Taggal Trb Eds II : - Saus Rvs : 00 Dsusu Olh : Tm BAK UNRI Dprksa da dsuju olh : Kpala

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

Prediksi Frekuensi Alami Ruang Akustik Karoseri Tanpa Peredam

Prediksi Frekuensi Alami Ruang Akustik Karoseri Tanpa Peredam rdks Frkus Alam Ruag Akusk arosr Tapa rdam Grg. Hlarko SJ Jurusa karoka, Ursas Saaa Dharma Yogakara ampus III, aga, aguwoharo, Slma grg.hlarko@saff.usd.a.d Absra Room Aous of a passgr ar s o of h mos mpora

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN

BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN BAB 3 PERSAMAAN DIFFERENSIAL UNTUK MENENTUKAN HARGA SUATU ASET TURUNAN Pmbahasan harga opsi idak dapa dilpaskan dari pmbahasan nang skurias lain yang brhubungan dngan haga opsi. Shingga prlu dibahas masalah

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN 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 terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosdg Sasa ISSN: 460-6456 Aalss Kovaras dalam Desa Peguura Berulag u Megevaluas Efe Perlaua Puu erhada Produs Taama Teh Aalyss of Covarace Reeaed Measureme Desgs o Evaluae Treame Effecs o Tea Produco

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

Lebih terperinci

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K

U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K Isaro Elevas Jurusan Ten Spl dan Lngungan FT UGM U J I A N A K H I R S E M E S T E R M A T E M A T I K A T E K N I K SABTU JULI OPE N BOOK WAKTU ME NIT PETUNJUK ) Saudara bole menggunaan ompuer unu mengerjaan

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2.

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2. Pagaa Ovdss Ro Togl S. PENANGANAN OVERDISPERSI PADA MODE REGRESI POISSON MENGGUNAKAN MODE REGRESI BINOMIA NEGATIF Ro Togal Smamata Dw Isat Alum Pogam Stud Statsta Ud Sta Pgaa Pogam Stud Statsta Ud Abstact

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEI Ladasa ori rdiri aas rapa ori pdukug ag aka diprguaka dalam mlsaika kovrgsi modiikasi mod kig mgguaka ugsi kuadraik.. rd Kovrgsi Kpaa suau mod kovrgsi mrupaka suau ukura kkia suau mod

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA 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 terperinci

TEORI ANTRIAN A. Proses Antrian 1. Pola Kedatangan 2. Pola Kepergian 3. Kapasitas Sistem

TEORI ANTRIAN A. Proses Antrian 1. Pola Kedatangan 2. Pola Kepergian 3. Kapasitas Sistem TEORI ANTRIAN A. ross Aria ross aria mrupaka pross yag brhubuga dga kdaaga plagga pada suau fasilias playaa, muggu dalam baris aria jika blum mdapa playaa, da akhirya miggalka fasilias rsbu slah playaa

Lebih terperinci

REGRESI LOGISTIK BINER

REGRESI LOGISTIK BINER REGRESI LOGISTIK BINER Mtod rgrs mruaka aalss data yag mdskrska hubuga kausaltas atara varabl rso da rdktor (Hosmr da Lmshow, ). Prbdaa mdasar atara rgrs lr da rgrs logstk adalah ty dar varabl rso. Rgrs

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event. BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun

Jumlah kasus penderita penyakit Demam Berdarah Dengue (DBD) di Kota Surabaya tahun Baasan Masalah Jumlah kasus pendera penyak Demam Berdarah Dengue (DBD d Koa Surabaya ahun - Varabel Explanaory (Varabel penjelas yang dgunakan dalam penelan adalah varabel Iklm (Curah hujan, Suhu, Kelembaban

Lebih terperinci

V. PENDEKATAN BAYES PADA MODEL ACAK

V. PENDEKATAN BAYES PADA MODEL ACAK 7 V PEDEKT BYES PD MODEL CK 5 Pdahulua Pada aak kasus, srgkal dapat dprolh foras awal ttag paratr ag aka dduga Saga cotoh adalah pada kasus pdugaa produkttas taaa hortkultura ag tlah dahas pada Ba Pada

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

Catatan Kuliah 8 Memahami dan Menganalisa Optimisasi Pertumbuhan

Catatan Kuliah 8 Memahami dan Menganalisa Optimisasi Pertumbuhan Caaan Kuliah 8 Mahai dan Mnganalisa Opiisasi Prubuhan. Sia dari Fungsi Eksponnsial Fungsi ksponnsial adalah ungsi ang variabl bbasna uncul sbagai pangka. Bnuk uu : b ; b > diana : variabl dpndn Conoh :

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

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

Lebih terperinci

ANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS

ANALISIS KEDINAMIKAN SISTEM PADA MASALAH PENJADWALAN FLOW SHOP MENGGUNAKAN ALJABAR MAX-PLUS Smar Nasoal atmata IV Isttut Tolog Spuluh Nopmbr, Surabaya, 3 Dsmbr 008 ANALISIS KEDINAIKAN SISTE PADA ASALAH PENADWALAN FLOW SHOP ENGGUNAKAN ALABAR AX-PLUS Nur Shofaah, Suboo, urusa atmata FIPA Isttut

Lebih terperinci

Sudaryatno Sudirham ing Utari. Mengenal. Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1)

Sudaryatno Sudirham ing Utari. Mengenal. Sudaryatno S & Ning Utari, Mengenal Sifat-Sifat Material (1) Sudaryao Sudirham ig Uari Mgal Sifa-Sifa Marial 1 Sudaryao S & Nig Uari, Mgal Sifa-Sifa Marial 1 BB Elro Sbagai Paril Da Sbagai Glombag Tlah disiggug di bab sblumya, d Brogli mgaua posula bahwa paril yag

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Moita Dwiyai ), Ni Wahyu Utami ) Faultas Kgurua da Ilmu Pdidia Uivrsitas

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KEDELAI DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI SEMIPARAMETRIK SPLINE

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI KEDELAI DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI SEMIPARAMETRIK SPLINE ANAISIS FATOR-FATOR YANG MEMPENGARUHI PRODUSI EDEAI DI PROVINSI JAWA TIMUR DENGAN METODE REGRESI SEMIPARAMETRI SPINE Da Amela, I Nyoma Budaara Jurusa Sasa, FMIPA, Isu Teolog Seuluh Noember (ITS Jl. Aref

Lebih terperinci

Transformasi Z Materi :

Transformasi Z Materi : 4 Trasformasi Z Matri : Dfiisi Trasformasi Darah Kovrgsi (Rgio of Covrgc) Diagram Pol Zro Sifat Trasformasi Trasformasi dalam Btu Poliomial Rasioal Fugsi Sistm atau Fugsi Trasfr H() dari Sistm Liir Tida

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

ESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS

ESTIMASI PARAMETER DUA LEVEL MODEL GSTARX-GLS Program Sudi MMT-ITS, Surabaya Agusus ESTIMASI PARAMETER UA LEVEL MOEL GSTARX- Andria Prima iago dan Suharono Program Sudi Magisr Saisika, Insiu Tknologi Spuluh Nopmbr Jl Arif Rahman Hakim, Surabaya,,

Lebih terperinci

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

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

Lebih terperinci

Persamaan Gelombang Schrödinger. Sudaryatno Sudirham

Persamaan Gelombang Schrödinger. Sudaryatno Sudirham www.darublic.co Prsaaa Globag Scrödigr Sudarao Sudira Scrödigr aaa bawa rilau lro rasu iga-iga rgi lro ag disri dala ao giui suau rsaaa difrsial uu globag ag udia dial sbagai rsaaa Scrödigr. Dail D. Polloc

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 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 terperinci

BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH

BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH BAB 4 MODEL MATEMATIKA PENGARUH TERAPI OBAT TERHADAP DINAMIKA VIRUS HIV DALAM TUBUH Sjak bbrapa ahun yang lalu, ilmuwan asal Amrika Marin Nowak dan Sbasian Bonhoffr mncoba mmplo daa dari pnliian oba ani-hiv.

Lebih terperinci