Eksakta: Jurnal Imu-Ilmu MIPA p. ISSN: e. ISSN: Mujiati Dwi Kartikasari
|
|
- Hengki Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Mujiati Dwi Kartikasari Program Studi Statistika, Uiversitas Islam Idoesia, Jala Kaliurag Km 14,5 Slema, Yogyakarta ABSTRACT Premium pricig is oe of importat activities i isurace. olife isurace premium is calculated from epected value of historical data claims. The historical data claims are collected so that it forms a sum of idepedet radom umber which is called radom sum. I premium pricig usig radom sum, claim frequecy distributio ad claim severity distributio are combied. The combiatio of these distributios is called compoud distributio. By usig liability claim isurace data, we aalyze premium pricig usig radom sum model based o compoud distributio. Keywords: premium, olife isurace, radom sum, claim frequecy, claim severity, compoud distributio. ABSTRAK Peetua premi merupaka salah satu kegiata petig dalam asurasi. Premi asurasi umum dihitug dari ilai harapa data historis klaim asurasi. Data historis klaim asurasi dikumpulka sehigga membetuk jumlaha peubah-peubah acak yag salig bebas, atau disebut jumlah acak. Dalam peetua premi dega model jumlah acak, distribusi frekuesi klaim dikombiasika dega distribusi severitas klaim. Kombiasi distribusi tersebut disebut distribusi campura. Dega megguaka data klaim asurasi taggug gugat, dilakuka aalisis perhituga premi dega model jumlah acak berdasarka distribusi campura. Kata Kuci: premi, asurasi umum, jumlah acak, frekuesi klaim, severitas klaim, distribusi campura. Pedahulua Bisis asurasi semaki berkembag dari tahu ke tahu. Hal ii dikareaka setiap bidag kehidupa selalu berhubuga dega risiko. Risiko dapat terjadi tapa diduga-duga. Salah satu upaya utuk memiimalka risiko adalah dega asurasi. Asurasi merupaka suatu kegiata pemidaha risiko utuk mecegah terjadiya kerugia besar yag disebabka oleh risiko-risiko tertetu, seperti risiko kematia, kecelakaa, sakit, kerusaka, kebakara, kehilaga harta, da lai sebagaiya. Asurasi dibedaka mejadi dua jeis, yaitu asurasi jiwa (life isurace) da asurasi o-jiwa (olife isurace). Pada asurasi jiwa, risiko yag dijami oleh perusahaa asurasi adalah risiko kematia sedagka pada asurasi ojiwa, risiko yag dijami oleh perusahaa asurasi bermacam-macam tergatug pada jeis yag diasurasika. Asurasi o-jiwa serig disebut juga sebagai asurasi umum (geeral isurace). Salah (Mujiati Dwi Kartikasari) 46
2 satu jeis asurasi o-jiwa yaitu asurasi taggug gugat. Asurasi taggug gugat merupaka produk asurasi yag memberika jamia perliduga kepada tertaggug terhadap risiko yag timbul karea adaya tututa dari pihak lai (pihak ketiga) sehubuga dega aktifitas persoal/perusahaa milik tertaggug. Secara umum, hal yag dijami oleh asurasi taggug gugat adalah kewajiba tertaggug membayar gati rugi atau kompesasi atas kerugia yag diderita oleh pihak ketiga. Premi asurasi merupaka sejumlah uag yag harus dibayarka sebagai kewajiba dari tertaggug atas keikutsertaaya di asurasi. Besarya premi telah ditetuka oleh perusahaa asurasi dega memperhatika keadaa pihak tertaggug. Pembayara premi dapat dilakuka dalam betuk premi tuggal atau premi berkala. Premi tuggal (sigle premium) adalah premi yag dibayarka sekali saja di awal bergabugya tertaggug di perusahaa asurasi sedagka premi berkala (regular premium) adalah premi yag dibayarka secara berkala dalam periode tertetu, misalya per bula, per kuartal, per semester, atau per tahu. Peetua premi merupaka salah satu pokok utama dalam asurasi. Premi dihitug dari ilai harapa risiko atau kerugia yag aka dijami oleh perusahaa asurasi. Utuk meghitug ilai harapa premi, perlu diketahui distribusi dari data risiko, baik jumlah (frekuesi) risiko maupu besar (severitas) risiko. Data risiko dalam perusahaa asurasi biasaya berupa data klaim yag dibayarka oleh perusahaa asurasi kepada tertaggug. Berbagai peelitia megeai peetua premi telah bayak dilakuka. Brockma da Wright (1992), Reshaw (1994), Haberma da Reshaw (1996), da Roselud (213) megguaka prisip peetua premi dega megkombiasika ilai harapa frekuesi klaim da severitas klaim. Dalam makalah ii, terlebih dahulu aka ditetuka distribusi frekuesi klaim da distribusi severitas klaim. Selajutya, kedua distribusi tersebut dikombiasika sehigga dihasilka distribusi campura. Distribusi campura merupaka distribusi dari jumlaha peubah acak atas sejumlah pembayara klaim, atau disebut jumlah acak. Berdasarka distribusi campura yag telah diperoleh, dihitug perkiraa premi muri dega meghitug ilai harapaya. Makalah ii disusu sebagai berikut. Bagia 2 megulas pegertia jumlah acak beserta mea da variasiya. Distribusi campura dibahas dalam bagia 3. Bagia 4 megulas fugsi (Mujiati Dwi Kartikasari) 47
3 mea residual life. Studi kasus diuraika pada bagia 5 da kesimpula dikemukaka pada bagia terakhir makalah ii. Jumlah Acak Jumlah acak merupaka jumlaha peubah-peubah acak salig bebas yag diyataka sebagai S 1 2,,1, 2, dimaa S ketika (Klugma, Pajer, da Willmot, 24). Peubah acak meyataka frekuesi klaim yag mempuyai fugsi massa peluag Pr dega mea variasi Var E da. Peubah-peubah acak 1, 2,, meyataka severitas klaim dega mea E da variasi Var. Asumsi-asumsi yag harus dipeuhi jumlah acak S atara lai (Klugma, Pajer, da Willmot, 24): 1. bersyarat pada, peubahpeubah acak 1, 2,, salig bebas da berdistribusi idetik, 2. bersyarat pada, distribusi dari peubah-peubah acak 1, 2,, tidak bergatug pada, 3. distribusi dari tidak tergatug pada ilai-ilai 1, 2,. Berdasarka asumsi-asumsi jumlah acak S, mea da variasi S dapat ditetuka sebagai berikut: E E S E S da Pr E 1 2 Pr E 1 2 Pr E 1 2 Pr E Pr E E E S E S E S E Var Var E Var Var Var 2 E E Var Var Distribusi Campura Seluruh uraia megeai distribusi campura diambil dari Klugma, Pajer, da Willmot (24). Distribusi campura adalah distribusi dari jumlah acak S. Tahapa utuk membagu distribusi S adalah sebagai berikut: 1. Membagu suatu model utuk distribusi dari berdasarka pada data. 2. Membagu suatu model utuk distribusi dari pada data. berdasarka j 3. Megguaka kedua model di atas utuk medapatka distribusi dari S. (Mujiati Dwi Kartikasari) 48
4 acak S adalah S Distribusi campura dari jumlah Pr F S p Pr S * p F (1) dimaa F Pr merupaka fugsi distribusi dari j da p merupaka fugsi massa Pr peluag dari. Fugsi peluag utuk distribusi campura S adalah * S f p f (2) * Pada Persamaa (1), F meyataka kovolusi lipat dari fugsi distribusi kumulatif. Fugsi ii dapat diperoleh dari *,, F 1,, da utuk k 1,2,, 1 F F y df y (3) Jika merupaka peubah acak kotiu dega peluag ol pada ilai-ilai egatif, maka Persamaa (3) mejadi * 1 k F F y f y dy utuk k 2,3,. Utuk k 1, persamaa *1 tersebut mejadi F F desitas peluagya adalah * 1 k. Fugsi f f y f y dy utuk k 2,3,. Pada kasus peubah acak diskrit dega peluag positif pada,1,2,, Persamaa (3) mejadi * 1 y k F F y f y utuk,1,, da k 2,3, peluag yag bersesuaiaya adalah * 1 y k f f y f y utuk,1,, k 2,3,. Fugsi Mea Residual Life. Fugsi Fugsi mea residual life dapat diguaka utuk melihat karakteristik dari ekor (tail) distribusi. Ekor distribusi adalah bagia dari distribusi yag ada kaitaya dega ilai yag besar pada peubah acak (Klugma, Pajer, da Willmot, 24). Ketika memilih model distribusi utuk data risiko atau kerugia, ukura ekor dapat membatu dalam peetua model yag terbaik. Utuk peubah acak severitas klaim, fugsi mea residual life merupaka ilai harapa dari pembayara per klaim dega deduktibel sebesar, dimaa, diyataka dega (Klugma, Pajer, da Willmot, 24) e E 1 F u 1 F du Dalam praktik, fugsi mea residual life e diestimasi dega e ˆ berdasarka. (Mujiati Dwi Kartikasari) 49
5 perwakila sampel 1, 2,, yag selajutya disebut sebagai fugsi empirical mea residual life. Guess da Proscha (1985) medefiisika fugsi empirical mea residual life sebagai berikut, eˆ ik1 i k (4) utuk k, k 1 da k,1,, 1. Studi Kasus Data yag diguaka dalam studi kasus adalah data total klaim asurasi taggug gugat tahu Data tersebut berisi iformasi megeai frekuesi klaim yag meujukka bayakya kejadia klaim da severitas klaim yag meujukka besar pembayara klaim yag dilakuka oleh perusahaa asurasi. Data klaim asurasi taggug gugat disajika pada Gambar 1 da Gambar 2. Gambar 1. Frekuesi Klaim Asurasi Taggug Gugat Gambar 2. Severitas Klaim Asurasi Taggug Gugat Berdasarka data yag disajika pada Gambar 1 da Gambar 2, selajutya aka dilakuka estimasi terhadap distribusi frekuesi da severitas klaim. Distribusi geometri, egatif biomial, biomial da Poisso merupaka distribusi-distribusi yag umum diguaka utuk memodelka frekuesi klaim sedagka distribusi ekspoesial, Gamma, Weibull, da Pareto merupaka distribusi-distribusi yag umum diguaka utuk memodelka severitas klaim (Tse, 29). Ada beberapa tambaha distribusi lai yag dapat diguaka utuk memodelka severitas klaim, seperti distribusi logormal da distribusi Burr (Burecki, Jaczura, da Wero, 21). Distribusi frekuesi klaim aka disimpulka berdasarka ilai uji statistik dari distribusi geometri, egatif biomial, da Poisso. Adapu hasil estimasi da uji statistik distribusi frekuesi klaim (Mujiati Dwi Kartikasari) 5
6 asurasi taggug gugat disajika pada Tabel 1 da Tabel 2. Tabel 1. Estimasi Parameter Calo Distribusi Frekuesi Klaim Asurasi Taggug Gugat Distribusi Estimasi Log- Parameter Likelihood Geometri p,2-171,48 r 43,22 eg. Biomial p -13,173,51 Poisso 42,3-135,4721 Tabel 2. Tabel Statistik Calo Distribusi Frekuesi Klaim Asurasi Taggug Gugat Chi-Squared Test Distribusi ilai p-value Statistik,5 Geometri 693,75,2293 eg. Biomial 446,5,6655 Poisso 52,,3238 Rumusa uji hipotesis utuk meguji kecocoka distribusi frekuesi klaim adalah sebagai berikut: H : Data berasal dari populasi dega distribusi tertetu, H 1: Data tidak berasal dari populasi dega distribusi tertetu. ilai p-value dari uji Chi-Squared baik utuk distribusi geometri, egatif biomial, da Poisso lebih besar dari,5 sehigga keputusa utuk hipotesis di atas yaitu gagal meolak H, yag berarti data klaim asurasi taggug gugat berasal dari populasi dega distribusi tertetu. Berdasarka ilai loglikelihood dari ketiga calo distribusi frekuesi klaim asurasi taggug gugat, ilai loglikelihood dari distribusi geometri merupaka ilai yag palig kecil. Oleh karea itu, dapat disimpulka bahwa distribusi geometri adalah distribusi terbaik dalam memodelka frekuesi klaim asurasi taggug gugat. Adapu distribusi utuk severitas klaim aka disimpulka berdasarka ilai uji statistik dari distribusi ekspoesial, Gamma, Weibull, Pareto, logormal, da distribusi Burr. amu, sebelum melakuka pegujia, terlebih dahulu aka digambarka plot fugsi empirical mea residual life berdasarka Persamaa (4). Berdasarka Gambar 3, plot fugsi empirical mea residual life dari distribusi Gamma, logormal, da distribusi Burr mempuyai pola yag hampir sama dega plot fugsi empirical mea residual life severitas klaim asurasi taggug gugat. Dega demikia, distribusi Gamma, logormal, da distribusi Burr dijadika sebagai calo distribusi severitas klaim asurasi taggug gugat. Hasil estimasi da uji statistik distribusi severitas klaim asurasi taggug gugat disajika pada Tabel 3 da Tabel 4. (Mujiati Dwi Kartikasari) 51
7 Gambar 3. Fugsi Empirical Mea Residual Life Distribusi Severitas Klaim Tabel 3. Estimasi Parameter Calo Distribusi Severitas Klaim Asurasi Taggug Gugat Distribusi Estimasi Log- Parameter Likelihood 1,949 Gamma -22, ,9 5,164 Logormal -214,1584,531 k,37 Burr 5, , ,2 Rumusa uji hipotesis utuk meguji kecocoka distribusi severitas klaim adalah sebagai berikut: H : Data berasal dari populasi dega distribusi tertetu, H 1 : Data tidak berasal dari populasi dega distribusi tertetu. Tabel 4. Tabel Statistik Calo Distribusi Severitas Klaim Asurasi Taggug Gugat Kolmogorov-Smirov Test Distribusi ilai Statistik p-value,5 Gamma,1936,1174 Logormal,1574,318 Burr,119,7266 ilai p-value dari uji Kolmogorov- Smirov baik utuk distribusi Gamma, logormal da Burr lebih besar dari,5 (Mujiati Dwi Kartikasari) 52
8 sehigga keputusa utuk hipotesis di atas yaitu gagal meolak H, yag berarti data klaim asurasi taggug gugat berasal dari populasi dega distribusi tertetu. Berdasarka ilai loglikelihood dari ketiga calo distribusi severitas klaim asurasi taggug gugat, ilai loglikelihood dari distribusi Gamma merupaka ilai yag palig kecil. Oleh karea itu, dapat disimpulka bahwa distribusi Gamma adalah distribusi terbaik dalam memodelka severitas klaim asurasi taggug gugat. Berdasarka estimasi distribusi frekuesi klaim da severitas klaim yag telah diperoleh, selajutya aka ditetuka ilai premi asurasi taggug gugat megguaka estimasi distribusi campura. Estimasi distribusi premi asurasi taggug gugat diperoleh secara umerik megguaka metode kovolusi. Dega terlebih dahulu mediskritka distribusi Gamma yag merupaka distribusi severitas klaim, kemudia meerapka Persamaa (2), aka diperoleh distribusi premi asurasi taggug gugat seperti disajika pada Gambar 4. Distribusi premi asurasi taggug gugat diguaka utuk megestimasi ilai premi total, yaitu dega meghitug mea da variasi dari distribusi tersebut. Estimasi mea da variasi dari distribusi premi asurasi taggug gugat disajika pada Tabel 5. Gambar 4. Fugsi Distribusi Premi Asurasi Taggug Gugat Berdasarka iformasi pada Tabel 5, maka perkiraa premi total utuk tahu sebesar Rp61.41.,. Tabel 5. Estimasi Mea da Variasi Distribusi Premi Asurasi Taggug Gugat Mea da Variasi ilai Estimasi Mea E S 61,41 Variasi Var S 145,51 ilai premi tersebut berasal dari hasil kali ilai harapa distribusi premi asurasi taggug gugat dega satua severitas klaim. Dega premi total tersebut, diharapka perusahaa asurasi dapat memeuhi klaim-klaim yag diajuka dega asumsi kejadia klaim tahu 215, 216, da 217 tidak meyimpag dari data klaim tahu 212 sampai dega tahu 214. (Mujiati Dwi Kartikasari) 53
9 Kesimpula Kesimpula yag dapat diperoleh berdasarka aalisis studi kasus yag telah dilakuka adalah sebagai berikut: 1. Pemodela distribusi campura dari jumlaha peubah acak dilakuka dega memodelka data historis dari klaim asurasi. 2. Model distribusi campura terbetuk dari proses kovolusi berulag atara distribusi frekuesi klaim da severitas klaim. Hasil perhituga megguaka data klaim asurasi taggug gugat diperoleh bahwa distribusi frekuesi klaim adalah geometri da distribusi severitas klaim adalah Gamma. 3. Perhituga perkiraa premi total utuk tahu megguaka data klaim asurasi taggug gugat tahu 212 sampai dega 214 dega model jumlah acak berdasarka distribusi campura adalah sebesar Rp61.41.,. Dega premi total tersebut, diharapka perusahaa asurasi dapat memeuhi klaim-klaim yag diajuka dega asumsi kejadia klaim tahu 215, 216, da 217 tidak meyimpag dari data klaim tahu 212 sampai dega tahu 214. Pustaka Brockma M. H, da Wright, T. S, 1992, Statistical Motor Ratig: Makig Effective Use of Your Data. Joural of the Istitute of Actuaries, 119(3), Burecki, Krzysztof, Jaczura, Joaa, da Wero, Rafal, 21, Buildig Loss Models, SFB 649 Ecoomic Risk, ISS , Humboldt- Uiversität zu Berli. Guess, F da Proscha, F, 1985, Mea Residual Life: Theory ad Applicatios, FSU Statistics Report M72 AFOSR Techical Report, Haberma S da Reshaw, A. E, Geeralized Liear Models ad Actuarial Sciece. The Statisticia. 45(4), Klugma, A. Stuart, Pajer, Harry H., da Willmot, Gordo E., 24, Loss Models From Data to Decisios Secod Editio, 48, 14, Joh Wiley & Sos, ew York, USA. Reshaw, Arthur E, 1994, Modellig the Claims Process i the Presece Covariates, ASTI Bulleti, 24(2), Roselud, Stig, 214, Itegratig Ordiary GLM with Credibility i a Compoud Poisso Model, Lecture i Idoesia ovember 214, diseleggaraka oleh Istitut Tekologi Badug da Uiversitas Gadjah Mada, Idoesia. Tse, Yiu Kue, 29, olife Actuarial Models, 6, 49, Cambridge Uiversity Press, ew York, USA. (Mujiati Dwi Kartikasari) 54
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL
MENENTUKAN PELUANG RUIN DENGAN METODE KOMBINASI EKSPONENSIAL Karmila 1*, Hasriati 2, Haposa Sirait 2 1 Mahasiswa Program S1 Matematika 2 Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua Alam
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciModel Pertumbuhan BenefitAsuransi Jiwa Berjangka Menggunakan Deret Matematika
Prosidig Semirata FMIPA Uiversitas Lampug, 0 Model Pertumbuha BeefitAsurasi Jiwa Berjagka Megguaka Deret Matematika Edag Sri Kresawati Jurusa Matematika FMIPA Uiversitas Sriwijaya edagsrikresawati@yahoocoid
Lebih terperinciTaksiran Interval bagi Rata-rata Parameter Distribusi Poisson Interval Estimate for The Average of Parameter Poisson Distribution
Prosidig Statistika ISSN: 460-6456 Taksira Iterval bagi Rata-rata Parameter Distribusi Poisso Iterval Estimate for The Average of Parameter Poisso Distributio 1 Putri Aggita Nuraei, Teti Sofia Yati, 3
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPerbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling
Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinci(A.4) PENENTUAN CADANGAN DISESUAIKAN MELALUI METODE ILLINOIS PADA PRODUK ASURANSI DWIGUNA BERPASANGAN
Prosidig Semiar Nasioal Statistika Uiversitas Padjadjara, 3 November 2 (A.4) PENENTUAN CADANGAN DSESUAKAN MELALU METODE LLNOS PADA PRODUK ASURANS DWGUNA BERPASANGAN Suhartii, Lieda Noviyati, Achmad Zabar
Lebih terperinciBAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya
5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciPENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart
Prosidig Semiar Nasioal Peelitia, Pedidika da Peerapa MIPA, Fakultas MIPA, Uiversitas Negeri Yogyakarta, 2 Jui 2012 PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM PEMBUATAN GRAFIK PENGENDALI p-chart Adi Setiawa
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciStatistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:
Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciANUITAS DUE PADA STATUS HIDUP PERORANGAN BERDASARKAN FORMULA WOOLHOUSE
2 ANUITAS DUE PADA STATUS HIDUP PERORANGAN BERDASARKAN FORMULA WOOLHOUSE Sri Purwati 1, Johaes Kho 2, Aziskha 2 1 Mahasiswa Program S1 Matematika FMIPA Uiversitas Riau email : srii_purwatii@yahoo.co.id
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciBAB III MENENTUKAN MODEL KERUSAKAN DAN INTERVAL WAKTU PREVENTIVE MAINTENANCE OPTIMUM SISTEM AXIS PADA MESIN CINCINNATI MILACRON DOUBLE GANTRY TIPE-F
BAB III MENENUKAN MODEL KERUSAKAN DAN INERVAL WAKU PREVENIVE MAINENANCE OPIMUM SISEM AXIS PADA MESIN CINCINNAI MILACRON DOUBLE GANRY IPE-F 3.1 Pedahulua Pada Bab II telah dijelaska beberapa teori yag diguaka
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciPENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI
PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika
Lebih terperinciA. Pengertian Hipotesis
PENGUJIAN HIPOTESIS A. Pegertia Hipotesis Hipotesis statistik adalah suatu peryataa atau dugaa megeai satu atau lebih populasi Ada macam hipotesis:. Hipotesis ol (H 0 ), adalah suatu hipotesis dega harapa
Lebih terperinciPENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES
Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN
Lebih terperinciDISTRIBUSI KHUSUS YANG DIKENAL
0 DISTRIBUSI KHUSUS YANG DIKENAL Kita sudah membahas fugsi peluag atau fugsi desitas, baik defiisiya maupu sifatya. Fugsi peluag atau fugsi desitas ii merupaka ciri dari sebuah distribusi, artiya fugsi
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas
Lebih terperinciProgram MATLAB untuk Membentuk Compound Distribution
Statistika, Vol. 10 No. 1, 63 67 Mei 2010 Program MATLAB utuk Membetuk Compoud Distributio ACENG KOMARUDIN MUTAQIN Program Studi Statistika Fakultas MIPA Uiversitas Islam Badug Jl. Purawarma No. 63 Badug
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciPENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT
Prosidig Semiar Nasioal Matematika da Terapaya 06 p-issn : 0-0384; e-issn : 0-039 PENENTUAN SOLUSI RELASI REKUREN DARI BILANGAN FIBONACCI DAN BILANGAN LUCAS DENGAN MENGGUNAKAN FUNGSI PEMBANGKIT Liatus
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 20 Bandar Lampung, dengan populasi
5 III. METODE PENELITIAN A. Populasi da Sampel Peelitia ii dilaksaaka di SMPN 0 Badar Lampug, dega populasi seluruh siswa kelas VII. Bayak kelas VII disekolah tersebut ada 7 kelas, da setiap kelas memiliki
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan jenis penelitian deskriptif-kuantitatif, karena
7 BAB III METODE PENELITIAN A. Jeis Peelitia Peelitia ii merupaka jeis peelitia deskriptif-kuatitatif, karea melalui peelitia ii dapat dideskripsika fakta-fakta yag berupa kemampua siswa kelas VIII SMP
Lebih terperinci1 n MODUL 5. Peubah Acak Diskret Khusus
ODUL 5 Peubah Acak Diskret Khusus Terdapat beberapa peubah acak diskret khusus yag serig mucul dalam aplikasi. Peubah Acak Seragam ( Uiform) Bila X suatu peubah acak diskret dimaa setiap eleme dari X mempuyai
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB III METODE PENELITIAN. penelitian yang tepat dalam sebuah penelitian ditentukan guna menjawab
BAB III METODE PENELITIAN Metode peelitia merupaka suatu cara atau prosedur utuk megetahui da medapatka data dega tujua tertetu yag megguaka teori da kosep yag bersifat empiris, rasioal da sistematis.
Lebih terperinciPENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN
PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciModul 1 Modul 2 Modul 3 Modul 4 Modul 5 Modul 6
i B Tijaua Mata Kuliah uku Materi Pokok (BMP) Matematika Aktuaria ii disampaiika dalam sembila modul (pokok bahasa) yag diorgaisasika sebagai berikut. Modul 1. Probabilitas Modul 2. Teori Buga Modul 3.
Lebih terperinciRESPONSI 2 STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 2015
RESPONSI STK 511 (ANALISIS STATISTIKA) JUMAT, 11 SEPTEMBER 015 A. PENYAJIAN DAN PERINGKASAN DATA 1. PENYAJIAN DATA a. Sebutka tekik peyajia data utuk data kualitatif! Diagram kueh, diagram batag, distribusi
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciBAB IV. METODE PENELITlAN. Rancangan atau desain dalam penelitian ini adalah analisis komparasi, dua
BAB IV METODE PENELITlAN 4.1 Racaga Peelitia Racaga atau desai dalam peelitia ii adalah aalisis komparasi, dua mea depede (paired sample) yaitu utuk meguji perbedaa mea atara 2 kelompok data. 4.2 Populasi
Lebih terperinciB a b 1 I s y a r a t
34 TKE 315 ISYARAT DAN SISTEM B a b 1 I s y a r a t (bagia 3) Idah Susilawati, S.T., M.Eg. Program Studi Tekik Elektro Fakultas Tekik da Ilmu Komputer Uiversitas Mercu Buaa Yogyakarta 29 35 1.5.2. Isyarat
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperincib. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:
Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciMETODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa
19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh
Lebih terperinciChapter 7 Student Lecture Notes 7-1
Chapter 7 Studet Lecture Notes 7-1 DASAR-DASAR UJI Hipotesis: Hipo (di bawah) da Tesis (peryataa yag telah diuji) Hipotesis Statistik:suatu proposisi atau aggapa megeai parameter populasi yag dapat diuji
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciTRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA
Jural Matematika UNAND Vol. 2 No. 2 Hal. 115 122 ISSN : 2303 2910 c Jurusa Matematika FMIPA UNAND TRANSFORMASI BOX-COX PADA ANALISIS REGRESI LINIER SEDERHANA ELVI YATI, DODI DEVIANTO, YUDIANTRI ASDI Program
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB 3 DATA DAN METODOLOGI PENELITIAN
BAB 3 DATA DAN METODOLOGI PENELITIAN Pada Bab ii aka memberika iformasi hal yag berkaita dega lagkah-lagkah sistematis yag aka diguaka dalam mejawab pertayaa peelitia.utuk itu diperluka beberapa hal sebagai
Lebih terperinciBAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciKEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA. Fitriani Agustina, Math, UPI
KEKONVERGENAN MODEL BINOMIAL UNTUK PENENTUAN HARGA OPSI EROPA Fitriai Agustia, Math, UPI 1 Fiacial Derivative Opsi Mafaat Opsi Opsi Eropa Peetua Harga Opsi Kekovergea Model Biomial Fitriai Agustia, Math,
Lebih terperinciCATATAN KULIAH #12&13 Bunga Majemuk
CATATAN KULIAH #12&13 Buga Majemuk 10.1 Pedahulua Pada pembahasa sebelumya diasumsika bahwa P atau ilai pokok pembayara tidak megalami perubaha dari awal higga akhir sehigga ilai buga selalu dihitug dari
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperincii adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.
4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di MTs Muhammadiyah 1 Natar Lampung Selatan.
9 III. METODOLOGI PENELITIAN A. Populasi Da Sampel Peelitia ii dilaksaaka di MTs Muhammadiyah Natar Lampug Selata. Populasiya adalah seluruh siswa kelas VIII semester geap MTs Muhammadiyah Natar Tahu Pelajara
Lebih terperinciUKURAN PEMUSATAN DATA
Malim Muhammad, M.Sc. UKURAN PEMUSATAN DATA J U R U S A N A G R O T E K N O L O G I F A K U L T A S P E R T A N I A N U N I V E R S I T A S M U H A M M A D I Y A H P U R W O K E R T O DEFINISI UKURAN PEMUSATAN
Lebih terperinciPENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:
PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
40 BAB IV PENGUMPULAN DAN PENGOLAHAN DATA Pada bagia ii aka diuraika megeai hasil kegiata pegumpula data da proses pegolaha data yag dilakuka. Sebagai objek peelitia adalah mesi ove botol PT.Pharos Idoesia.
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciPedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai
PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,
Lebih terperinciDistribusi Pendekatan (Limiting Distributions)
Distribusi Pedekata (Limitig Distributios) Ada 3 tekik utuk meetuka distribusi pedekata: 1. Tekik Fugsi Distribusi Cotoh 2. Tekik Fugsi Pembagkit Mome Cotoh 3. Tekik Teorema Limit Pusat Cotoh Fitriai Agustia,
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinci1 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351) 1 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Metode Noparametrik Skala Pegukura Metode Noparameterik Uji Hipotesis
Lebih terperinciKuliah : Rekayasa Hidrologi II TA : Genap 2015/2016 Dosen : 1. Novrianti.,MT. Novrianti.,MT_Rekayasa Hidrologi II 1
Kuliah : Rekayasa Hidrologi II TA : Geap 2015/2016 Dose : 1. Novriati.,MT 1 Materi : 1.Limpasa: Limpasa Metoda Rasioal 2. Uit Hidrograf & Hidrograf Satua Metoda SCS Statistik Hidrologi Metode Gumbel Metode
Lebih terperinciIII BAHAN DAN METODE PENELITIAN. Ternak yang digunakan dalam penelitian ini adalah kuda berjumlah 25
18 III BAHAN DAN METODE PENELITIAN 3.1 Baha Peelitia 3.1.1 Objek Peelitia Terak yag diguaka dalam peelitia ii adalah kuda berjumlah 25 ekor terdiri dari 5 jata da 20 betia dega umur berkisar atara 10 15
Lebih terperinciBAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA DAN FAKTOR DISKON
BAB III ECONOMIC ORDER QUANTITY MULTIITEM DENGAN MEMPERTIMBANGKAN WAKTU KADALUARA DAN FAKTOR DIKON 3.1 Ecoomic Order Quatity Ecoomic Order Quatity (EOQ) merupaka suatu metode yag diguaka utuk megedalika
Lebih terperinciPendekatan Nilai Logaritma dan Inversnya Secara Manual
Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah
Lebih terperinciBAB VII DISTRIBUSI SAMPLING DAN DESKRIPSI DATA
BAB VII DITRIBUI AMPLING DAN DEKRIPI DATA 7. Distribusi amplig (samplig distributio) amplig distributio adalah distribusi probabilitas dari suatu statistik. amplig distributio tergatug dari ukura populasi,
Lebih terperinciBAB III METODE PENELITIAN. objek penelitian yang penulis lakukan adalah Beban Operasional susu dan Profit
BAB III METODE PENELITIAN 3.1 Objek Peelitia Objek peelitia merupaka sasara utuk medapatka suatu data. Jadi, objek peelitia yag peulis lakuka adalah Beba Operasioal susu da Profit Margi (margi laba usaha).
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciPENAKSIRAN. Penaksiran Titik. Selang Kepercayaan untuk VARIANSI. MA2181 ANALISIS DATA Utriweni Mukhaiyar 17 Oktober 2011
PENAKSIRAN Peaksira Titik Peaksira Selag Selag Kepercayaa utuk RATAAN Selag Kepercayaa utuk VARIANSI MA8 ANALISIS DATA Utriwei Mukhaiyar 7 Oktober 0 Metode Peaksira Peaksira Titik Peaksira Selag Nilai
Lebih terperinciBAB I PENDAHULUAN. Matematika merupakan suatu ilmu yang mempunyai obyek kajian
BAB I PENDAHULUAN A. Latar Belakag Masalah Matematika merupaka suatu ilmu yag mempuyai obyek kajia abstrak, uiversal, medasari perkembaga tekologi moder, da mempuyai pera petig dalam berbagai disipli,
Lebih terperinciBAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.
BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinci4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN
4.7 TRANSFORMASI UNTUK MENDEKATI KENORMALAN Saat asumsi keormala tidak dipuhi maka kesimpula yag kita buat berdasarka suatu metod statistik yag mesyaratka asumsi keormala meadi tidak baik, sehigga mucul
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciREPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA
Jural Matematika UNAND Vol. 3 No. Hal. 7 34 ISSN : 33 9 c Jurusa Matematika FMIPA UNAND REPRESENTASI KANONIK UNTUK FUNGSI KARAKTERISTIK DARI SEBARAN TERBAGI TAK HINGGA EKA RAHMI KAHAR, DODI DEVIANTO Program
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara
Lebih terperinciBAB III METODE PENELITIAN
36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.
Lebih terperinciPenaksiran Distribusi Outstanding Claims Liability Menggunakan Compound Distribution
Statistika, Vol. 9 No. 2, 115 121 Nopember 29 Peaksira Distribusi Outstadig Claims Liability Megguaka Compoud Distributio ACENG KOMARUDIN MUTAQIN Program Studi Statistika MIPA Uiversitas Islam Badug Jl.
Lebih terperinci