BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode uadrat terecil, RAKL, distribusi normal, sisaan dan nilai haraan. Beriut enjabaran dari tia materi-materi tersebut. 2.1 Analisis Variansi analisis variansi adalah suatu teni untu menganalisis variabel ta bebas berdasaran omonen eragaman dari fator-fator yang meruaan sumber variansi sor (Suryanto, 1989). Analisis variansi digunaan untu menguji hiotesis tentang engaruh fator erlauan terhada eragaman data ercobaan yang dilauan berdasaran distribusi F. Sehingga eutusan signifian atau tidanya ditentuan oleh erbandingan antara nilai F hitung dan nilai ritis F yang bersangutan. Analisis variansi daat digunaan untu data observasional (enelitian) mauun data exerimental (ercobaan). Dalam suatu ercobaan aan didaatan nilainilai hasil engamatan. Nilai-nilai hasil engamatan tersebut umumnya dinyataan dalam suatu model matematia yang disebut model linier aditif Rancangan Aca Kelomo Lenga Rancangan aca elomo lenga meruaan salah satu rancangan yang banya digunaan dalam suatu enelitian. Rancangan ini bai digunaan jia eheterogenan unit ercobaan berasal dari suatu sumber eragaman. Salah satu hal yang

2 membedaan rancangan ini dengan rancangan aca lenga yaitu arena adanya engelomoan unit ercobaan. Pengelomoan ini bertujuan untu mengurangi tingat galat ercobaan. Salah satu contoh enelitian yang menggunaan Rancangan Aca Kelomo Lenga yaitu mengenai ercobaan untu mengetahui otensi hasil anen dari lima varietas adi. Sawah yang digunaan sebagai media tanam adi tersebut diduga tida homogen dalam hal tingat esuburan tanahnya. Sehingga erlu dilauan engelomoan. Pengelomoan tersebut bertujuan agar engaruh ragam esuburan tanah dalam tia elomo relatif ecil. Leta masing-masing elomo diusahaan tega lurus terhada arah esuburan dan bentu elomo ersegi anjang. Hal tersebut dilauan agar tingat eheterogenan dalam tia elomo tersebut relatif ecil. Semua data hasil enelitian aan disusun dalam tabel RAKL sebagai beriut: Perlauan Tabel Susunan Data Hasil Penelitian RAKL Kelomo Jumlah Rata-Rata Y 11 Y Y 1j Y 1. Y 1. 2 Y 21 Y Y 2j Y 2. Y 2. : : : : : Y i1 Y i2... Y ij Y i. Y i. Jumlah Y.1 Y.2... Y.j Y.. Rata-Rata Y.1 Y.2 Y.j Y.. Keterangan: Y ij = Pengamatan ada erlauan e-i dan elomo e-j Y.. = Jumlah seluruh engamatan Y.. = Rata-rata seluruh engamatan Y.j = Jumlah engamatan elomo e-j Y i. = Jumlah engamatan erlauan e-i Y.j = rata-rata engamatan elomo e-j Y i. = rata-rata engamatan erlauan e-i Berdasaran data dalam tabel RAKL, emudian dilauan uji analisis variansi. Tai sebelum dilauan engujian ada beberaa asumsi yang harus dienuhi

3 dalam analisis variansi. Adaun asumsi-asumsi yang harus dienuhi adalah sebagai beriut: 1. Keaditifan model Analisis variansi daat digunaan untu data observasional (enelitian) mauun data exerimental (ercobaan). Dalam suatu ercobaan aan didaatan nilai-nilai hasil engamatan. Nilai-nilai hasil engamatan tersebut umumnya dinyataan dalam suatu model matematia. Adaun model matematia RAKL adalah: Y ij = μ + τ i + β j + ε ij (2.2.1) Keterangan: i = 1,2,, j = 1,2,, Y ij = Pengamatan ada erlauan e-i dan elomo e-j µ = Rataan umum τ i = Pengaruh erlauan e-i β j = Pengaruh elomo e-j ε ij = Pengaruh aca ada erlauan e-i dan elomo e-j Pada asumsi ini engaruh erlauan dan engaruh lingungan yang terdaat dalam suatu model linier RAKL harus daat dijumlahan. Dalam analisis variansi asumsi sifat aditif dari suatu model memang telah ditentuan. Aan tetai jia hal tersebut diraguan, maa erlu dilauan suatu emerisaan untu memastian asumsi ini telah terenuhi oleh model linier tersebut. Gagalnya suatu model untu memunyai sifat aditif ada umumnya disebaban oleh hal-hal seerti beriut (Sudjana, 1991:52) : a. Model bersifat multiliatif b. Adanya interasi yang belum dimasuan e dalam model c. Terdaat observasi yang eliru

4 Untu menguji asumsi eaditifan model linier RAKL, daat dilauan dengan menggunaan uji formal yaitu uji Tuey. Adaun rosedur dari uji tuey adalah beriut: a. Hiotesis: H 0 : Model linier bersifat aditif H 1 : Model linier tida bersifat aditif b. Taraf Signifiansi : α c. Statisti Uji dan Perhitungan: Melengai tabel ANAVA Sumber Variansi Non-Aditivitas Tuey Tabel Analisa Variansi db (derajat bebas) JK KT F hit F tab 1 JK NAT JK NAT/1 F hit = 1/(-1)(-1) JK NAT JKS ( 1)( 1) Perlauan -1 JKP JKP/(-1) Kelomo -1 JKK JKK/(-1) Sisaan (-1)(-1) JKS JKS/(-1)(-1) Total 1+(-1)(-1) JKT Dimana: JK F hit = NAT JKS ( 1)( 1) JK NAT = Q 2 (Y i. Y.. ) 2 (Y.j Y.. ) 2 dengan Q = (Y i. Y.. )(Y.j Y.. )Y ij JKS = JKT JKP JKK JK NAT 2 dengan JKT = Y ij FK FK = ( Y ij ) 2 /

5 JKP = JKK = Y i. Y.j FK FK Keterangan : JK NAT = Jumlah uadrat non aditifitas Q = Uji tuey JKS = Jumlah uadrat sisaan JKP = Jumlah uadrat erlauan JKK = Jumlah uadrat elomo JKT = Jumlah uadrat total FK = Fator oresi = Jumlah macam erlauan = Jumlah macam elomo d. Kriteria Keutusan: H 0 ditola jia F hit >Fα(1,db sisaan ) e. Kesimulan 2. Kehomogenan variansi galat Asumsi ini enting untu dienuhi sebelum dilauan engujian ANAVA diarenaan eheterogenan variansi galat daat mengaibatan resons yang eliru dari beberaa erlauan tertentu (Steel & Torrie.1991:208). Uji formal yang daat digunaan untu memerisa asumsi ehomogenan variansi galat adalah uji Bartlett. Adaun langah-langah dari Uji Bartlett adalah sebagai beriut: a. Hiotesis: H 0 : σ 2 1 = σ = = σ H 1 : σ i 2 σ j 2 untu i j i, j = 1,2,, (Minimal ada satu erlauan yang variansiny tida sama dengan yang lain) b. Taraf signifiansi : α c. Statisti uji dan erhitungan:

6 χ 2 =(ln 10) (r i 1) log(s 2 ) (r i 1) log (S 2 i ) (r i 1) S 2 = (r 2 i 1)S i S 2 i = (Y ij Y i. ) 2 r i 1 = r 2 i Y ij ( Y ij ) 2 r i (r i 1) 1 1 FK = 1 + 3( 1) r i 1 1 (r i 1) Keterangan : r i = Jumlah engamatan dengan erlauan e-i S 2 i = Varians erlauan e-i S 2 = Varians gabungan r i = Jumlah engamatan ada erlauan e-i χ 2 = Chi uadrat d. Kriteria eutusan : H 0 ditola jia 1 FK χ 2 > χ 2 ( 1) e. Kesimulan 3. Kebebasan galat ercobaan Galat-galat dari salah satu engamatan yang memunyai nilai tertentu harus tida boleh bergantung dari nilai-nilai galat engamatan yang lain (Gasersz,1994:66). Pengujian terhada asumsi ebebasan antar galat ercobaan dilauan dengan cara membuat lot antara nilai sisaan dengan nilai dugaan engamatan. Aabila grafi yang terbentu berflutuasi secara aca di seitar nol maa daat diataan bahwa suu-suu galat ercobaan saling bebas 4. Kenormalan galat Uji formal yang daat digunaan untu menguji aaah suatu data menyebar normal atau tida adalah uji Lilliefors. Adaun langah-langah yang harus dilauan untu melauan uji Lilliefors adalah sebagai beriut:

7 a. Hiotesis: H 0 : Samel berasal dari oulasi yang berdistribusi normal H 1 : Samel berasal dari oulasi yang tida berdistribusi normal b. Taraf Signifiansi : α c. Statisti uji dan erhitungan L 0 = selisih terbesar dari F(Z i ) S(Z i ) F(Z i ) = P[Z z i ] Z i = (Y i Y ) S y S y = n (Y i Y ) 2 n 1 S(Z i ) = banyanya z 1,z 2, z n yang Zi n = n n Y i 2 ( n Y i ) 2 n(n 1) Keterangan : L o = Uji lilliefors F(Z i ) = robabilitas umulatif normal bau S(Z i ) = robabilitas umulatif emiris bau Z i Y i Y = Tranformasi Y i dari anga e notasi distribusi normal = engamatan e-i = Rata-rata semua data S y = Varians gabungan n = jumlah engamatan d. Kriteria eutusan : H 0 ditola jia L 0 > L(n) e. Kesimulan L(n) meruaan nilai ritis untu uji Lilliefors. Emat asumsi tersebut harus dienuhi oleh suatu data yang aan diuji mengunaan analisis variansi (ANAVA). Aabila terdaat data yang tida memenuhi asumsi-asumsi tersebut maa terdaat metode yang daat dilauan agar uji ANAVA

8 teta bisa dilauan. Metode tersebut adalah transformasi data. Menurut Sudjana (1989:52) ada beberaa transformasi yang sering digunaan untu eadaan-eadaan tertentu, yaitu sebagai beriut: a) Transformasi Logaritma ( logy atau logy+1 ) Transformasi ini digunaan aabila terdaat sifat multiliatif ada data atau ula bila simangan bau sebanding dengan rataan tia erlauan. Menurut Steel & Torrie (1991:283) transformasi ini digunaan ada bilangan-bilangan ositif, aan tetai tida daat digunaan secara langsung ada nilai nol dan nilai-nilai engamatan yang urang dari 10. Oleh arena itu transformasi logaritma yang bisa digunaan untu nilai-nilai yang ecil adalah log (Y+1). b) Transformasi Aar Kuadrat ( Y atau Y +1 ) Transformasi aar uadrat digunaan jia variansi dari tia erlauan sebanding dengan rataannya. Transformasi aar dilauan bila datanya berua bilangan bulat ositif. Misalnya banyanya oloni bateri,banyanya tanaman atau serangga sesies tertentu di suatu daerah tertentu. Data tersebut diataan menyebar menurut sebaran Poisson (Steel & Torrie, 1993: 284) c) Transformasi Arc sinus ( arcsin Y atau sin-1 Y) Transformasi Arc sinus dilauan jia rata-rata oulasi dan varians berbanding lurus dengan μ (1 μ). Transformasi ini biasanya diteraan ada data binomial yang dinyataan sebagai ecahan desimal atau ersentase. d) Transformasi Kebalian (1/Y) Transformasi ini digunaan jia simangan bau sebanding dengan angat dua rataannya Metode Kuadrat Terecil Metode uadrat terecil adalah metode yang digunaan untu menduga arameter dengan cara meminimuman nilai e i 2, dengan e adalah galat (Suramono, 1993:210). Metode uadrat terecil daat digunaan untu menduga arameter dari

9 model linier yang ada dalam rancangan ercobaan. Galat ercobaan biasanya diasumsian berdistribusi normal dengan nilai tengah nol dan ragam σ 2. Dari ersamaan (2.2.1) dibentu menjadi ersamaan beriut: ε ij = Y ij μ τ i β j (2.3.1) Jia ε adalah galat ercobaan yang terecil, maa uadrat dan jumlah uadratnya adalah yang aling ecil. Persamaan tersebut memunyai arameter μ, τ i, dan β j yang belum dietahui. Maa dengan metode uadrat terecil aan ditentuan enduga untu arameter μ, τ i, dan β j. Persamaan ε i emudian diuadratan dan dijumlahan, sehingga dieroleh: 2 e ij = (Y ij μ τ i β j ) 2 = R Untu menentuan enduga arameter μ, τ, i dan β j yang menghasilan nilai R yang minimum maa diselesaian sistem ersamaan beriut: R = 2 Y μ ij μ τ i β j ( 1) = 0 (2.3.2) R = 2 Y τ ij μ τ i β j ( 1) = 0 (2.3.3) R = 2 Y β ij μ τ i β j ( 1) = 0 (2.3.4) Diasumsian bahwa Σ τ i = 0 dan Σ β j = 0 sehingga dari etiga ersamaan diatas dieroleh enduga arameter untu μ, τ i, β j dan ε ij sebagai beriut: Pendugaan arameter μ dengan memaai ersamaan Y ij μ τ i β j ( 1) = 0 Y ij μ τ i β j = 0 Y ij μ i τ i j β j = 0 Y ij μ = 0 μ μ = Y ij

10 μ = Y ij μ = Y.. (2.3.5) Setelah dieroleh enduga arameter untu μ yaitu μ beriut aan dicari enduga arameter untu τ i dengan batasan β j = 0 2 Pendugaan arameter τ i dengan memaai ersamaan Y ij μ τ ı β j ( 1) = 0 Y ij μ τ ı β j = 0 Y ij μ τ ı j β = 0 Y ij μ τ ı = 0 j τ ı = Y ij μ = τ ı Y ij μ τ ı = Y i. Y.. (2.3.6) Setelah dieroleh enduga arameter untu μ yaitu μ dan τ ı untu τ i, beriut aan dicari enduga arameter untu β j dengan batasan τ i = 0 Pendugaan arameter β j dengan memaai ersamaan Y ij μ τ i β ȷ ( 1) = 0 Y ij μ τ i β ȷ = 0 Y ij μ i τ i β ȷ = 0 Y ij μ β ȷ = 0 β ȷ = Y ij μ β ȷ = Y ij μ β ȷ = Y.j Y.. (2.3.7)

11 2.4. Distribusi Normal Distribusi normal meruaan salah satu jenis distribusi yang enting dalam statistia. Distribusi normal banya digunaan dalam banya egiatan analisis dalam statistia. Distribusi normal sangat enting dalam rosedur endugaan arameter dan engujian hiotesis dari suatu oulasi. Sebab eubah aca yang terait dengan oulasi harus mendeati distribusi normal, selain itu ada endugaan arameter dengan metode uadrat terecil galat yang digunaan diasumsian berdistribusi normal dengan nilai tengah nol dan ragam σ 2. Misalan X suatu eubah aca maa fungsi eadatan eluang dari distribusi normal dengan rataan μ dan variansi σ 2 adalah f(x) = 1 e 1 2σ 2(x μ)2 (2.4.1) σ 2π untu < x <, < μ < dan σ 2 >0 Suatu eubah aca X yang berdistribusi normal dengan rataan μ dan variansi σ 2 sering disingat dengan lambang X~(μ, σ 2 ) (Walole & Myers,1995: 180). Setia eubah aca normal X daat ditransformasian menjadi suatu eubah aca Z dengan rataan nol dan variansi bernilai 1. Distribusi hasil transformasi tersebut adalah distribusi normal bau, dengan lambang Z~(0,1). Hal ini daat dilauan melalui transformasi. Keterangan Z = Data hasil tranformasi X = Data engamatan μ x = Rata-rata seluruh engamatan σ x = Standart deviasi engamatan Z = X μ x σ x (2.4.2)

12 2.5. Sisaan Sisaan adalah beda antara nilai yang teramati dengan nilai yang diramalan (Neter,d (1985 : 109). Secara umum sisaan dijabaran menurut ersamaan sebagai beriut: e i = Y i Y i (2.5.1) Keterangan e i = Sisaan atau galat engamatan e-i Y i = Data engamatan e-i Y i = Nilai haraan data engamatan e-i Dalam analisis variansi, digunaan asumsi tertentu ada galat. Asumsi itu mengataan bahwa galat-galat tersebut bebas satu sama lain, memilii variansi onstan, dan mengiuti sebaran normal Nilai Haraan Nilai haraan dari suatu variabel aca X dilambangan dengan E(X) (Pollet & Nasrullah 1994:14). Jia X meruaan suatu variabel aca disrit, maa nilai haraan dari X adalah: (X)=Σx f(x) (2.6.1) Tetai, jia X meruaan suatu variabel aca ontinu dengan fungsi eadatan eluang f(x) maa nilai haraan dari X didefinisian sebagai: (X)= xf(x)dx (2.6.2) Beberaa sifat-sifat yang dimilii oleh nilai haraan adalah sebagai beriut: 1. ()= dengan meruaan suatu onstanta 2. E(a+bX)=a+b E (X) dengan a dan b meruaan onstanta 3. E(X±Y)=E(X)±E(Y) 4. E(XY)=E(X)E(Y) jia X dan Y meruaan dua variabel aca yang saling bebas

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode 3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode

Lebih terperinci

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data 2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti

Lebih terperinci

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH) Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,

Lebih terperinci

ANALISIS VARIANSI (ANOVA)

ANALISIS VARIANSI (ANOVA) ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t

Lebih terperinci

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure

UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure 8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher

Lebih terperinci

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu

Lebih terperinci

3.1 TEOREMA DASAR ARITMATIKA

3.1 TEOREMA DASAR ARITMATIKA 3. TEOREMA DASAR ARITMATIKA Definisi 3. Suatu bilangan bulat > disebut (bilangan) rima, jia embagi ositif bilangan tersebut hanya dan. Jia bilangan bulat lebih dari satu buan bilangan rima disebut (bilangan)

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data

Lebih terperinci

BEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si

BEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si BEBERAPA ODIFIKASI ETODE NEWTON RAPHSON UNTUK ENYELESAIKAN ASALAH AKAR GANDA Suriadi Putra,,Si Laboratorium Komutasi Numeri Jurusan atematia Faultas atematia & Ilmu Pengetahuan Alam Universitas Riau Kamus

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas

Lebih terperinci

TUGAS I RANCANGAN PERCOBAAN BAB I

TUGAS I RANCANGAN PERCOBAAN BAB I TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15

Lebih terperinci

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan

Lebih terperinci

NOTASI SIGMA. Lambang inilah yang disebut sebagai SIGMA, but please remove. the exaggerated flower around it! Hahaha...

NOTASI SIGMA. Lambang inilah yang disebut sebagai SIGMA, but please remove. the exaggerated flower around it! Hahaha... NOTASI SIGMA Lambang inilah yang disebut sebagai SIGMA, but lease remove the exaggerated flower around it! Hahaha... Mananya adalah menjumlahan sesuatu. Sesuatu aa? Sesuatu yang muncul di belaangnya. Mengaa

Lebih terperinci

Rancangan Petak Terbagi

Rancangan Petak Terbagi Rancangan Peta Terbagi Ade Setiawan 009 Percobaan Split-plot merupaan superimpose dari dua jenis satuan percobaan dimana rancangan lingungan untu eduanya bisa sama ataupun berbeda. Satuan percobaan untu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti

Lebih terperinci

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan

Lebih terperinci

270 o. 90 o. 180 o PENDAHULUAN

270 o. 90 o. 180 o PENDAHULUAN PENDAHULUAN Latar Belakang Perkembangan analisis data saat ini masih bertumu ada analisis untuk data linear. Disisi lain, untuk kasus-kasus tertentu engukuran dilakukan secara sirkular. Beberaa ilustrasi

Lebih terperinci

Bahan Minggu II, III dan IV Tema : Kerangka acuan inersial dan Transformasi Lorentz Materi :

Bahan Minggu II, III dan IV Tema : Kerangka acuan inersial dan Transformasi Lorentz Materi : Bahan Minggu II, III dan IV Tema : Keranga auan inersial dan Transformasi Lorent Materi : Terdaat dua endeatan ang digunaan untu menelusuri aedah transformasi antara besaran besaran fisis (transformasi

Lebih terperinci

BAB III METODE SCHNABEL

BAB III METODE SCHNABEL BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan

Lebih terperinci

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA . Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.

Lebih terperinci

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution

ANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel

Lebih terperinci

BAB 3 RUANG BERNORM-2

BAB 3 RUANG BERNORM-2 BAB RUANG BERNORM-. Norm- dan Ruang ` De nisi. Misalan V ruang vetor atas R berdimensi d (dalam hal ini d boleh ta hingga). Sebuah fungsi ; V V! R yang memenuhi sifat-sifat beriut;. x; y 0 ia dan hanya

Lebih terperinci

PROSIDING ISBN: Uji Kecocokan Chi-Kuadrat Untuk Distribusi Poisson. Pada Data Asuransi

PROSIDING ISBN: Uji Kecocokan Chi-Kuadrat Untuk Distribusi Poisson. Pada Data Asuransi PROSIDING ISBN: 978-979-16353-3- Uji Kecocoan Chi-Kuadrat Untu Distribusi Poisson Pada Data Asuransi S-14 Lisnur Wachidah e-ail: lisnur_w@yahoo.co.id Abstra Untu eerluan analisis secara araetri ada suatu

Lebih terperinci

BAB IV METODE BELAJAR HEBBIAN

BAB IV METODE BELAJAR HEBBIAN BAB IV MEODE BELAJAR HEBBIAN - Aturan Hebb meruaan salah satu huum embelajaran jaringan neural yang ertama. Diemuaan oleh Donald Hebb (949). Hebb lahir di Chester, Nova Scotia, ada ergantian abad. - Isinya

Lebih terperinci

BAB I BUNGA TUNGGAL DAN DISKONTO TUNGGAL. Terminologi: modal, suku bunga, bunga, dan jangka waktu.

BAB I BUNGA TUNGGAL DAN DISKONTO TUNGGAL. Terminologi: modal, suku bunga, bunga, dan jangka waktu. BAB I BUNGA TUNGGAL DAN DISKONTO TUNGGAL Terminologi: modal, suu bunga, bunga, dan janga watu. Modal adalah sejumlah uang yang disiman atau ditabung atau diinjam ada (dari) suatu Ban atau badan lain. Suu-bunga

Lebih terperinci

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang

Lebih terperinci

Optimasi Non-Linier. Metode Numeris

Optimasi Non-Linier. Metode Numeris Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran

Lebih terperinci

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat

Lebih terperinci

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam

Lebih terperinci

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN 36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Pemilahan Data

BAB 3 PEMBAHASAN. 3.1 Pemilahan Data BAB 3 PEMBAHASAN 3.1 Pemilahan Data Pemilahan data dilakukan untuk menentukan data mana saja yang akan diolah. Dalam enelitian ini, data yang diikutsertakan dalam engolahan ditentukan berdasarkan teori

Lebih terperinci

LATAR BELAKANG MATEMATIS

LATAR BELAKANG MATEMATIS 8 II LATAR BELAKANG MATEMATIS Derii : Bab ini memberian gambaran tentang latar belaang matemati ang digunaan ada item endali eerti eramaan linear diferenial orde (atu), orde (dua), orde tinggi, tranformai

Lebih terperinci

Aplikasi diagonalisasi matriks pada rantai Markov

Aplikasi diagonalisasi matriks pada rantai Markov J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan

Lebih terperinci

FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEJADIAN KARIES GIGI PADA ANAK USIA SEKOLAH DASAR 7-12 TAHUN DI KELURAHAN KENJERAN SURABAYA

FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEJADIAN KARIES GIGI PADA ANAK USIA SEKOLAH DASAR 7-12 TAHUN DI KELURAHAN KENJERAN SURABAYA 1 FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEJADIAN KARIES GIGI PADA ANAK USIA SEKOLAH DASAR 7-12 TAHUN DI KELURAHAN KENJERAN SURABAYA 1 Izzah Qomarul Haq S, 2 Destri Susilaningrum dan 3 M. Sjahid Abar Jurusan

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series) III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut

Lebih terperinci

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,

Lebih terperinci

PROSIDING ISBN: PENGUJIAN HIPOTESIS RATA-RATA BERURUT MENGGUNAKAN STATISTIK CHI-KUADRAT RANK. (Pendekatan Non Parametrik) oleh

PROSIDING ISBN: PENGUJIAN HIPOTESIS RATA-RATA BERURUT MENGGUNAKAN STATISTIK CHI-KUADRAT RANK. (Pendekatan Non Parametrik) oleh POSIDING ISBN: 978-979-6353-3- S-3 PENGUJIAN HIPOTESIS ATA-ATA BEUUT MENGGUNAKAN STATISTIK CHI-KUADAT ANK (Pendeatan Non Parametri) oleh H. Berni Masun *) Statisti ui untu hiotesis, digunaan statisti ui

Lebih terperinci

BAB IV APLIKASI PADA MATRIKS STOKASTIK

BAB IV APLIKASI PADA MATRIKS STOKASTIK BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas

Lebih terperinci

BAB III ANALISIS JALUR

BAB III ANALISIS JALUR BAB III ANALISIS JALUR. Pendahuluan Analisis Jalu adalah suatu eluasan dai model egesi yang digunaan untu menguji ecocoan dai matis oelasi tehada dua atau lebih model ausal yang sedang dibandingan dan

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan

Lebih terperinci

Jurnal Matematika, Statistika Desember 2013

Jurnal Matematika, Statistika Desember 2013 ANALISIS KOVARIANSI DALAM RANCANGAN BUJURSANGKAR YOUDEN DENGAN DATA HILANG ENDY NUR CAHYANTO, NASRAH SIRAJANG, M. SALEH AF Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Hasanuddin

Lebih terperinci

RANDOM NUMBER GENERATOR UNTUK BOBOT METODE CONJUGATE GRADIENT NEURAL NETWORK

RANDOM NUMBER GENERATOR UNTUK BOBOT METODE CONJUGATE GRADIENT NEURAL NETWORK RANDOM NUMBER GENERATOR UNTUK BOBOT METODE CONJUGATE GRADIENT NEURAL NETWORK Yudistira Arya Saoetra, 2 Azwar Riza Habibi, dan 3 Luman Haim,2,3 Teni Informatia, STMIK ASIA Malang yuditstiraarya@gmail.com,

Lebih terperinci

MODEL REGRESI LOGISTIK ORDINAL IPM PROVINSI JAWA TENGAH PERIODE TAHUN 2007

MODEL REGRESI LOGISTIK ORDINAL IPM PROVINSI JAWA TENGAH PERIODE TAHUN 2007 Seminar Nasional Statistia IX Institut enologi Seuluh Noember, 07 November 009 MODEL REGRESI LOGISIK ORDINAL IPM PROVINSI JAWA ENGAH PERIODE AHUN 007 Citra Fatimah Nur Mahasiswa Jurusan Statistia, Institut

Lebih terperinci

mungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing

mungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing . DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3

Lebih terperinci

Percobaan Rancangan Petak Terbagi dalam RAKL

Percobaan Rancangan Petak Terbagi dalam RAKL Percobaan Rancangan Petak Terbagi dalam RAKL Kuliah 12 Perancangan Percobaan (STK 222) rahmaanisa@apps.ipb.ac.id Review Kapan rancangan split-plot digunakan? Apakah perbedaan split-plot dibandingkan dengan

Lebih terperinci

SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN

SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER

BAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER BAB III MENYELESAIKAN MASALAH REGRESI YANG TIAK LINIER ENGAN ANALISIS REGRESI FOURIER 3.1 Pengantar Model ARIMA digunaan untu analisis data deret watu pada ategori data berala tunggal, atau sering diategorian

Lebih terperinci

PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )

PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( ) PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya

Lebih terperinci

DIAGNOSTIK SISAAN PADA MODEL LINIER RANCANGAN ACAK KELOMPOK LENGKAP (RAKL) DUA FAKTOR SKRIPSI

DIAGNOSTIK SISAAN PADA MODEL LINIER RANCANGAN ACAK KELOMPOK LENGKAP (RAKL) DUA FAKTOR SKRIPSI DIAGNOSTIK SISAAN PADA MODEL LINIER RANCANGAN ACAK KELOMPOK LENGKAP (RAKL) DUA FAKTOR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi

Lebih terperinci

GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH

GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH GENERALISASI METODE TALI BUSUR UNTUK MENYELESAIKAN PERSAMAAN TAK LINEAR SUNARSIH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRACT SUNARSIH.

Lebih terperinci

BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN

BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa

Lebih terperinci

oleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.

oleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural. ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan

Lebih terperinci

BAB IV Solusi Numerik

BAB IV Solusi Numerik BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.

Lebih terperinci

Bab II. Rancangan Acak Lengkap (RAL) Completed randomized design (CRD)

Bab II. Rancangan Acak Lengkap (RAL) Completed randomized design (CRD) Bab II. Rancangan Acak Lengkap (RAL) Completed randomized design (CRD) Rancangan yang paling sederhana Paling murah Pelaksanaan percobaan paling mudah Keabsahan kesimpulan paling rendah Untuk bahan atau

Lebih terperinci

DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit

DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi

Lebih terperinci

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 TUNING PARAMETER MODEL PREDICTIVE CONTROL (MPC) FOR MAX PLUS LINEAR (MPL) SYSTEMS

SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 TUNING PARAMETER MODEL PREDICTIVE CONTROL (MPC) FOR MAX PLUS LINEAR (MPL) SYSTEMS MTEMTIK DN PENDIDIKN MTEMTIK 010 Kelomo Matematia TUNING PRMETER MODEL PREDITIVE ONTROL (MP) FOR MX PLUS LINER (MPL) SYSTEMS Nurwan 1 and Subiono 1 Magister Student of Mathematics Deartment Lecturer of

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.

Lebih terperinci

BAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi

BAB II TINJAUAN PUSTAKA. untuk berkunjung ke suatu negara. Permintaan pariwisata biasanya diukur dari segi BAB II TINJAUAN PUSTAKA 2.1 Permintaan Pariwisata Pariwisata mamu mencitakan ermintaan yang dilakukan oleh wisatawan untuk berkunjung ke suatu negara. Permintaan ariwisata biasanya diukur dari segi jumlah

Lebih terperinci

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT. BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas

Lebih terperinci

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry

Lebih terperinci

Implementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf

Implementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan

Lebih terperinci

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan Model Geographically Weighted Negative Binomial Regression (GWNBR) untu Data Kejahatan (Studi Kasus 38 Kabupaten/Kota di Jawa Timur) Herlin Venny Johannes 1,a), Septiadi Padmadisastra,b), Bertho Tantular

Lebih terperinci

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan :

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan : ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number

Lebih terperinci

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership

Lebih terperinci

PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU

PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,

Lebih terperinci

Metode Penggerombolan Berhirarki

Metode Penggerombolan Berhirarki 4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e

Lebih terperinci

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia

Lebih terperinci

DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO

DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO DESKRIPSI SISTEM ANTRIAN PADA BANK SULUT MANADO 1 Selvia Hana, Tohap Manurung 1 Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Jurusan Matematia, FMIPA, Universitas Sam Ratulangi Abstra Antrian merupaan

Lebih terperinci

KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN

KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi

Lebih terperinci

KENNETH CHRISTIAN NATHANAEL

KENNETH CHRISTIAN NATHANAEL KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.

Lebih terperinci

INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh

INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001

Lebih terperinci

BAB VI UJI PRASYARAT ANALISIS

BAB VI UJI PRASYARAT ANALISIS BAB VI UJI PRASYARAT ANALISIS A. Uji Normalitas 1. Dengan Kertas Peluang Normal Buatlah daftar distribusi frekuensi kumulatif kurang dari berdasarkan sample yang ada dan gambarkan ogivenya. Pindahkan ogive

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu

Lebih terperinci

Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan. Netti Herawati 1) Alfian Futuhul Hadi 2)

Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan. Netti Herawati 1) Alfian Futuhul Hadi 2) BIAStatistika (2) Vol. 4, No., hal. 35 45 Regresi Rasio Prevalensi dengan Model Log-Binomial: Isu Ketakkonvergenan Netti Herawati ) Alfian Futuhul Hadi 2) ) Jurusan Matematika FMIPA Universitas Lamung

Lebih terperinci

Acak Kelompok Lengkap (Randomized Block Design) Arum H. Primandari, M.Sc.

Acak Kelompok Lengkap (Randomized Block Design) Arum H. Primandari, M.Sc. Percobaan Satu Faktor: Rancangan Acak Kelompok Lengkap (Randomized Block Design) Arum H. Primandari, M.Sc. Latar belakang Rancangan Acak kelompok adalah suatu rancangan acak yang dilakukan dengan mengelompokkan

Lebih terperinci

PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON

PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA

Lebih terperinci

3. Sebaran Peluang Diskrit

3. Sebaran Peluang Diskrit 3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.

Lebih terperinci

Kegiatan Belajar 4. Fungsi Trigonometri

Kegiatan Belajar 4. Fungsi Trigonometri Page o Kegiatan Belajar A. Tujuan Pembelajaran Setelah mempelajari egiatan belajar, diharapan siswa dapat a. Menentuan nilai ungsi trigonometri b. Menentuan persamaan grai ungsi trigonometri c. Menggambar

Lebih terperinci

SKEMA AKAR KUADRAT DALAM UNSCENTED KALMAN FILTER UNTUK MENDETEKSI KERAK PADA ALAT PENUKAR PANAS

SKEMA AKAR KUADRAT DALAM UNSCENTED KALMAN FILTER UNTUK MENDETEKSI KERAK PADA ALAT PENUKAR PANAS Prosiding Seminar Nasional Penelitian, Pendidian dan Penerapan MIPA, Faultas MIPA, Universitas Negeri Yogyaarta, 4 Mei 2 SKEMA AKAR KUADRA DALAM UNSCENED KALMAN FILER UNUK MENDEEKSI KERAK PADA ALA PENUKAR

Lebih terperinci

SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA

SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA Ruhana Khabibah, Hery Tri Sutanto 2, Yuliani Puji Astuti 3 Jurusan Matematia, Faultas Matematia dan Ilmu

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3. Kerangka Pemikiran Penelitian ini dimulai dengan adanya ermasalahan yang ditemukan oleh enulis yakni mengenai validitas CAPM di dalam engalikasiannya terhada engukuran

Lebih terperinci

BAB III MODEL KANAL WIRELESS

BAB III MODEL KANAL WIRELESS BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem

Lebih terperinci

Jurnal EKSPONENSIAL Volume 3, Nomor 2, Nopember 2012 ISSN

Jurnal EKSPONENSIAL Volume 3, Nomor 2, Nopember 2012 ISSN Jurnal EKSPONENSIAL Volume 3 Nomor Noember ISSN 85-789 Pemodelan Fator-fator yang Memengaruhi Pemberian Air Susu Ibu Di Wilayah Kera Pusat Kesehatan Masyaraat Wonoreo Kota Samarinda Menggunaan Regresi

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.

Lebih terperinci

BAB III HASIL DAN PEMBAHASAN

BAB III HASIL DAN PEMBAHASAN 15 BAB III HASIL DAN PEMBAHASAN 3.1Relasi Dispersi Pada bagian ini aan dibahas relasi dispersi untu gelombang internal pada fluida dua-lapisan.tinjau lapisan fluida dengan ρ a dan ρ b berturut-turut merupaan

Lebih terperinci

II. TINJAUAN PUSTAKA. Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan

II. TINJAUAN PUSTAKA. Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan II. TINJAUAN PUSTAKA 2.1 Analisis Ragam Klasifikasi Satu Arah Untuk menguji kesamaan dari beberapa nilai tengah secara sekaligus diperlukan sebuah teknik yang disebut analisis ragam. Analisis ragam adalah

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA 1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii

Lebih terperinci