OVERDISPERSI KARENA KESALAHAN SPESIFIKASI MODEL DAN CARA MENGATASINYA
|
|
- Ridwan Wibowo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : OVERDISPERSI KARENA KESALAHAN SPESIFIKASI MODEL DAN CARA MENGAASINYA mbg Srt Derteme Sttstk FMIPA-IPB Eml: tmbg_srt@yhoo.com ABSRAK Ad beber eyebb terjdy overdsers slh stuy dlh kre keslh sesfks model. Keslh sesfks model dt terjd bl eubh ejels yg sehrusy d d dlm model tdk dmsukk d dlm model. Dsmg tu dt jug terjd dkrek keslh dlm meetuk fugs hubug. Peelt dfokusk d keslh kre eubh ejels tdk dmsukk d dlm model. Ady overdsers dt megkbtk kesmul yg dmbl mejd tdk ber kre l rgm yg lebh besr dr yg sehrusy. Model regres yg dguk utuk mejelsk hubug tr eubh ejels d eubh reso yg memlk sebr Posso dlh model regres Posso. Deg demk dt yg dguk d eelt dlh dt cch. Peelt bertuju utuk megethu overdsers yg dsebbk oleh keslh sesfks model sert cr megtsy megguk regres Boml Negtf. Ad emt eubh yg dguk ytu stu eubh reso d tg eubh ejels. Pemodel ertm megguk stu eubh reso d tg eubh ejels (Model I). Pemodel kedu megguk stu eubh reso d du eubh ejels yg m stu eubh ejels dbk (Model II). Hsl eelt meujukk bhw rso devs dr Model I sellu lebh kecl dr Model II. Hsl meujukk bhw deg tdk dmsukky eubh ejels yg sehrusy d d dlm model meyebbk rso devs d Model II mejd bertmbh. I membuktk bhw keslh sesfks model meyebbk overdsers. Pembh smel tdk meyelesk ermslh overdsers yg dsebbk oleh keslh sesfks model d dt cch. Alg egruh dr eubh ejels yg dbk cuku besr. Nmu ermslh overdsers dt dts megguk model regres Boml Negtf. Kt-kt kuc: dt cch devs model regres Boml Negtf model regres Posso overdsers. PENDAHULUAN Alss regres meruk tekk sttstk yg byk dguk utuk meyeldk hubug tr eubh reso deg stu tu lebh eubh ejels. Abl eubh resoy meyebr Posso mk model regres yg dguk dlh model regres Posso. Jes dt yg dguk dlm lss regres Posso dlh dt cch (cout dt). Model regres Posso memlk sums bhw l tegh d rgm berl sm tu dktk equdsers []. Abl l tegh d rgm tdk sm mk telh terjd ermslh overdsers/ uderdsers. Jk l rgm lebh besr dr l tegh mk terjd overdsers d seblky terjd uderdsers. Permslh overdsers/ uderdsers dt membulk keslh dlm merk kesmul. Abl terjd overdsers mk keutusy k sellu meolk hotess sedgk jk terjd uderdsers mk keutusy k sellu ggl utuk meolk hotess []. [3-0] mejelsk bhw overdsers/ uderdsers d dt cch dt dts megguk regres Posso termt regres Boml Negtf tu Zero-Iflted Boml Negtve (ZINP). [] meytk bhw overdsers dt dsebbk oleh () keslh sesfks model (msly megbk eubh ejels yg m eubh tersebut tdk dmsukk d dlm model tu keslh dlm meetuk fugs hubug (lk fucto)) tu struktur yg lebh komleks; () tr eubh reso slg berkorels tu eubh reso tdk slg bebs (deede). erjdy overdsers meyebbk vrs eubh reso lebh besr dr vr yg sehrusy. Stu edekt dlm megtsy ytu memsukk rmeter dsers ke dlm model. [8] jug megugkk bhw embh eubh ejels d model dt meuruk l devs (devce) yg mejd lt ukur dlm meetuk terjd tdky overdsers. Peelt bertuju utuk megethu overdsers yg dsebbk oleh keslh sesfks model sert cr megtsy megguk regres Boml Negtf deg dt bgkt dr sebr Posso. BAHAN DAN MEODE Bh 695
2 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : Bh dlm melkuk embetuk model dlkuk deg 4 lgkh berkut: Y d (). Mslk terdt eubh reso tg eubh ejels X X X 3 yg dtetk sebelumy. erdt hubug tr Y d X X X 3 deg l tegh ex0 x x 3x 3 () ex x β. dm β x 0 3 x x x 3 Seljuty megmbl du buh l 0 ytu 0 d 5 tg buh l 3 ytu d 05 sert megmbl l X mellu embgkt dt j X Geometrk utuk j 3. j Pembgkt dt terhd X j hy dlkuk sekl sj d ly dguk utuk embgkt dt Y dr sebr Posso yg dulg sebyk 0 kl. Model yg dusulk dsumsk t overdsers deg dt yg dbgktk sebyk 00 d (). Setelh dt bgkt Y deroleh dlkuk emodel megguk model regres Posso tr eubh reso Y deg eubh ejels X X d X 3 (dsebut Model I). Berdsrk hubug ddtk ersm log y 0 x x 3x 3 () x β. dm β x 0 3 x x x ddug megguk edug kemugk mksmum (PKM) yg deroleh deg rosedur tertve weghted lest squre (IWLS) d msg-msg edugy dlh b0 b b b 3. (3). Kemud dlkuk emodel megguk model regres Posso tr eubh reso Y deg du eubh ejels (eubh ejels yg dlh dlht dr tgkt kesgfksy). Dlm rt eubh ejels deg tgkt sgfks yg lg tgg dkelurk dr dlm model. Mslk eubh ejels X 3 dbk tu tdk dmsukk d dlm model (dsebut Model II) mk berdsrk hubug deroleh ersm log y 0 x x (3) x β. dm β x 0 x x 0 ddug megguk PKM yg deroleh deg rosedur IWLS d msgmsg edugy dlh b0 b b. (4). Kemud dlkuk emodel megguk model regres Boml Negtf tr eubh reso Y d eubh ejels X d X (dsebut Model III). Betuk ersm d tekk edug rmetery sm seert d ersm (3). Model Ler ermt Model ler termt (geerlzed ler model) tu yg dsgkt deg ML meruk erlus model ler yg m sebr elugy tdk dhrusk megkut sebr orml k tet sebr elug tersebut termsuk dlm kelurg eksoesl seert Boml Posso Multoml Gmm d l sebgy []. Ad tg komoe utm dlm ML [-]:. Komoe ck. Komoe sstemtk 3. Fugs hubug Dlm regres Posso Y meruk komoe ck yg m sebry termsuk dlm kelurg eksoesl. Dlm hl Y slg bebs. Komoe sstemtky dlh η Xβ dm η dlh vektor berukur X dlh mtrks rcg berukur d β dlh vektor rmeter berukur tu dt dtuls dlm betuk kombs ler j j j0 x (4) dm x 0 d fugs hubug g deg EY vers (vertble). sert fugs g memlk 696
3 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : Model Regres Posso Mslk terdt smel ck sg egmt y x dm y meytk l dr kejd vrbel hsl tercch yg terjd d sutu wktu tu erode deg l tegh sm deg rmeter d x dlh l dr eubh ejels d subyek ke-. Deg megsumsk bhw Y bersebr Posso mk fugs keekt elug Y dlh y e P Y y y 0 y! (5) deg l tegh d rgm sm ytu vry d model regresy dlh y ex j xj j0 (6) Overdsers d model regres Posso (dt cch) terjd ketk vr Y. Nmu ersol dt dts deg sebr Boml Negtf yg meyedk model ltertf deg vr Y dm dlh rmter dsers yg ly dt destms [] [8]. Uj Prmeter Dsers Peguj d tdky overdsers dlkuk deg hotess berkut : H 0 : 0 (tdk d overdsers) H : 0 (d overdsers) Peguj dlkuk deg megguk sttstk uj devs yg dotsk deg D. Devs yg jug dsebut sttstk log lkelhood (rso) drumusk deg D l bmx ; y l b; y (7) dm D bersebr ch-squre deg derjt bebs tu dtuls. Jk D mk keutusy dlh meolk H 0 yg berrt terjd overdsers. Seljuty Jk model regres Posso yg dguk terhd dt lyk mk l devs k medekt l derjt bebsy. Hl dt djelsk kre l hr dr sebr sm deg derjt bebsy. Jk l devs juh lebh besr dr derjt bebsy tu rsoy juh lebh besr dr stu mk sums dr sebr Posso tdk tereuh d dt meujukk overdsers []. Model Regres Boml Negtf Peubh ck Y dktk dt cch bersebr Boml Negtf (Negtve Boml dstrbuto) deg rmeter 0 d jk fugs keekt elugy sebg berkut y f y (8) y! y y 0. Deg l tegh ex. x β d rgm dlh rmeter dsers d meruk kostt [] dlm [5]. Model regresy dlh y ex j xj (9) j0 Pedug Kemugk Mksmum Pedug rmeter d ersm () d (3) sebg berkut [] ( m ) X WXb X Wz (0) dm W dlh mtrks dgol berukur deg eleme-eleme dgol w vr Y z memlk eleme-eleme ( m) z xjbj y j ( m) b dlh vektor estms dr rmeter d ersm () d dr 0 3 rmeter 0 d ersm (3) d ters ke-m deg betuk fugs ( m) ( m) ( m) ( m) b b U. dlh vers dr mtrks forms ( m) deg eleme-eleme jk dm xx j k jk vr Y ( m) d U dlh vektor skor deg eleme skor U dm j U j y xj. vry 697
4 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : Persm (3) k meghslk model yg overdsers kre telh terjd keslh sesfks model ytu eubh ejels x 3 tdk dmsukk d dlm model. Fugs kemugk mksmum dr sebr Boml Negtf [5] dlh l y f y y y! y y log l y log y! log log ylog kre y y y y y k y k k k mk y log l y log y! log y k k y log y log dervtf orde ertm log l y log l y y x y log l y y log k ky k dervtf orde kedu y log l y y xx y k y k log 3 log l y y k y log l y log y y Mtrks forms hr x dt drts mejd dm eleme-eleme dr mtrks yg drts tersebut dlh sebg berkut log l y E dlh mtrks smetrk berukur. log l y E berukur. log l y E sklr tu kostt. dlh vektor dlh sebuh HASIL DAN DISKUSI Dt bgkt megguk softwre R vers Model I d msg-msg 00 d 0000 utuk lh β yg dtetk memberk tgkt sgfks yg sm sebesr 000 utuk ketg eubh ejels. Deg demk utuk melkuk Model II eelt megguk eubh ejels X d X (eubh ejels X 3 dbk) seert d ersm (3). Hsl smuls utuk 00 deg rso devs terhd derjt bebs dsjk d tbel sm deg tbel 6. bel. Rso devs terhd derjt bebs* Devs : Derjt bebs 698
5 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : * β bel. Rso devs terhd derjt bebs* Devs : Derjt bebs * β 5 05 bel 3. Rso devs terhd derjt bebs* Devs : Derjt bebs * β 5 05 Hsl smuls yg dsjk d tbel tbel d tbel 3 meujukk bhw deg meghlgk eubh ejels X 3 dr dlm model telh megktk l rso devs terhd derjt bebs t memdg besry egruh X 3 d model yg dt dlht dr l rso d Model I d Model II. Dlm hl telh terjd overdsers. Ak tet deg megurg besry egruh X 3 d model telh meuruk besry rso devs terhd derjt bebs yg dt dkethu dr l rso Model II d tbel tbel d tbel 3. Permslh overdsers yg terjd d Model II dt dts megguk regres Boml Negtf seert d Model III. Nl rso devs terhd derjt bebs juh berkurg dr Model II ke Model III yg m ly sudh medekt l. bel 4. Rso devs terhd derjt bebs* Devs : Derjt bebs * β bel 5. Rso devs terhd derjt bebs* Devs : Derjt bebs * β Hl yg sm jug berlku bl dlm embetuk model megmbl l 0 0. Nmu deg megmbl 0 0 l rso devs terhd derjt bebs d Model II mejd berkurg jk dbdgk d model wl yg m 0. Ak tet eyeles overdsers megguk Model III bk d model deg 0 0 d 0 tdk begtu juh berbed yg terlht dr l rso 699
6 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : devs terhd derjt bebs besry tdk begtu juh berbed seert dsjk d tbel 4 tbel 5 d tbel 6. bel 6. Rso devs terhd derjt bebs* Devs : Derjt bebs * β Seljuty hsl smuls utuk 0000 deg rso devs terhd derjt bebs dsjk d tbel 7 sm deg tbel. bel 7. Rso devs terhd derjt bebs* Devs : Derjt bebs * β Pd ksus smely dtmbh tu derbesr ersol overdsers tet tdk dt dselesk. Ak tet l rso devs terhd derjt bebs d model II utuk set ulg ly cederug tdk juh berbed tu hsly cederug koverge seert dsjk d tbel 7 sm deg tbel. bel 8. Rso devs terhd derjt bebs* Devs : Derjt bebs * β 5 05 bel 9. Rso devs terhd derjt bebs* Devs : Derjt bebs * β 5 05 Sel tu eyeles overdsers megguk Model III cederug meghslk l rso devs terhd derjt bebs yg lebh kecl d cederug koverge. Nmu tdk berlku seblky utuk egruh yg besr d eubh ejels yg dbk. Nl rsoy justru semk bertmbh bk deg megmbl 0 0 d 0 yg dt dlht d tbel 7 d tbel 0 jk dbdgk d tbel d tbel 4. bel 0. Rso devs terhd derjt bebs* Devs : Derjt bebs * β
7 Prosdg Semr Nsol Ss d Peddk Ss IX Fkults Ss d Mtemtk UKSW Sltg Ju 04 Vol 5 No. ISSN : bel. Rso devs terhd derjt bebs* Devs : Derjt bebs * β bel. Rso devs terhd derjt bebs* Devs : Derjt bebs * β Arty wluu smely dtmbh jk terjd keslh sesfks mk overdsers tet terjd. Hsl mellu Model III jug meujukk bhw ermslh overdsers dt dts deg model regres Boml Negtf. KESIMPULAN Keslh sesfks model d dt cch dt meyebbk terjdy overdsers. Pembh smel tdk meyelesk ermslh overdsers yg dsebbk oleh keslh sesfks model d dt cch. Alg egruh dr eubh ejels yg dbk cuku besr. Nmu ermslh overdsers dt dts megguk model regres Boml Negtf. Keslh sesfks d eelt dbts d eubh ejels yg tdk dmsukk d dlm model. Pd eelt berkuty dt dtmbhk deg fugs hubug yg tdk sesu. DAFAR PUSAKA [] Agrest A.A Itroducto to Ctegorcl Dt Alyss d Ed. Joh Wley d Sos Hoboke New Jesey 007. [] McCullgh P. d Nelder FRS J.A.GeerlzedLer Models d Ed. New York 989. [3] S.A. Srog d A.K. Brobbey Posso Regresso Modelg For Icdece of Mterl Deths I Gh Mthemtcl heory d ModelgISSN (Per) ISSN 5-05 (ole) vol.3 o. 03. [4] I.P.Y.E.Putr I.P.E.N.Kec d I.G.A.M.Srd Peer Regres Geerlzed Posso utuk Megts Feome Overdsers d Ksus Regres Posso E-Jurl Mtemtk vol. o. hl [5] D.. Moll d B. Muswmy Power of ests for Overdserso Prmeter Negtve Boml Regresso Model IOSR Jourl of Mthemtcs vol. Issue [6] K.A. YulgshK.G.Sukrs d L.P.Suctwt Peer Regres Posso utuk megethu Fktor-Fktor yg Memegruh Jumlh Ssw SMA/SMK yg dk Lulus UN d Bl e-jurl Mtemtk vol. o. hl [7] B. Arw Surt d Sudro Pemodel Regres Zero-Iflted Negtve Boml (ZINB) utuk Dt Reso Dskrt deg Excess Zero Jurl Guss vol. o. hl [8] S. Coxe S.G. West d L.S. Ake he Alyss of Cout Dt: A Getle Itroducto to Posso Regresso d Its Altertves Jourl of Persolty Assessmet 9() [9] N. Isml d A.A. Jem Hdlg Overdserso wth Negtve Boml d Geerlzed Posso Regresso Models Csulty Acturl Socety Forum Wter [0] D.W. Osgood Posso-Bsed Regresso Alyss of Aggregte Crme Rtes Jourl of Qutttve Crmologyvol. 6 o [] Dobso A.J.A Itroducto to Geerlzed Ler Models d Ed.Chm & Hll/CRC USA
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Ltr Belkg Smp st, model Regres d model Alss Vrs telh dpdg sebg du hl g tdk berkt. Meskpu merupk pedekt g umum dlm meergk kedu cr pd trf permul, model Alss Vrs dpt dpdg sebg hl khusus model
Lebih terperinciDr.Eng. Agus S. Muntohar Department of Civil Engineering
Pertemu ke-7 Persm Ler Smult Oktober 0 Metode Iters Guss-Sedel Dr.Eg. Agus S. Mutohr Deprtmet of Cvl Egeerg Metode Guss-Sedel Merupk metode ters. Prosedur umum: - Selesk ser lbr vrbel tdk dkethu msg-msg
Lebih terperinciESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES
LEMMA VOL I NO., NOV 24 ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES Adev Mur Adel Progrm Stud Peddk Mtemtk, Uversts Mhutr Muhmmd Ym, Solok devmur@gml.com Abstrk. Peelt bertuju
Lebih terperinciKAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT
Prosdg Semr Nsol Mtemtk d Terpy 06 p-issn : 550-084; e-issn : 550-09 KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT St Muhwh Uversts Jederl Soedrm st_muhwh@yhoo.co.d
Lebih terperinciREGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1
REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt tersebut
Lebih terperinciREGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1
REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt t tersebut
Lebih terperinciCNH2B4 / KOMPUTASI NUMERIK
CNHB4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT PENCOCOKAN KURVA Pedhulu Dt g bersl dr hsl pegmt lpg pegukur tu tbel g dmbl dr buku-buku cu. Nl tr turu tegrl mudh dcr utuk
Lebih terperinciAnalisis Variansi satu faktor (Analysis Of Variance / ANOVA)
Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Megethu rcg d eses. Megethu model ler 3. Meuruk Jumlh Kudrt (JK) 4. Melkuk uj lss vrs 5. Melkuk uj perbdg gd Apkh ber kot dlm rokok dpt megkbtk Kker? Sel kker
Lebih terperinciBAB VI ANALISIS REGRESI
BAB VI ANALISIS REGRESI A. Pedhulu Alss regres merupk slh stu lss yg ertuju utuk megethu pegruh sutu vrel terhdp vrel l. Vrel yg mempegruh dseut depedet vrle/vrel es () d vrel yg dpegruh dseut depedet
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TORI. egtr roses Mrkov dt dklsfksk sesu deg sft wktu egmt roses sert stte scey. Wktu egmt roses dt bersft dskrt muu kotu d stte scey bersft dskrt muu kotu bk terbts muu tk terbts.. Dt Defs..
Lebih terperinciAnalisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA)
BAB 1 Alss Vrs stu fktor Sgle Fctor Alss Of Vrce (ANOVA) ANALISIS VARIANSI SATU FAKTOR D MetStt 1 sudh dkel uj hpotess rt-rt du populs A d B g berdstrbus Norml Bgm jk terdpt lebh dr du populs? Alss vrs
Lebih terperinciTEOREMA ABEL-DINI DAN DUAL KÖTHE-TOEPLITZ PADA DERET GANDA
Prosdg Semr Nsol Ss d Peddk Ss VIII, Fkults Ss d Mtemtk, UKSW Sltg, 5 Ju 203, Vol 4, No, ISSN:2087 0922 TEOREM BEL-DINI DN DUL KÖTHE-TOEPLITZ PD DERET GND Sumrdoo, Soer DW 2 & Sum 3 PPPPTK Mtemtk, Mhssw
Lebih terperinciBab 4 ANALISIS REGRESI dan INTERPOLASI
Als Numerk Bh Mtrkuls B 4 ANALISIS RGRSI d INTRPOLASI 4 Pedhulu Pd kulh k dpeljr eerp metde utuk mempredks d megestms dt dskret Dr sutu peelt serg dlkuk peglh dt utuk megethu pl dt tu etuk kurv g dggp
Lebih terperinciAnalisis Variansi satu faktor (Analysis Of Variance / ANOVA)
Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Desg d coduct expermets volvg sgle. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc wth resdul plots 4. Use multple comprso
Lebih terperinciBAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor
BAB ANAVA JALAN Merupk pegembg dr ANAVA 1 Jl Jk pd ANAVA 1 l 1 Fktor Jk pd ANAVA l Fktor Model Ler Asums: Model efek Tetp! 1,..., 1,..., Stu fktor g dtelt Av 1 l k k 1,,..., 1,,..., b k 1,,..., Du fktor
Lebih terperinciBab 4 ANAKOVA (ANALISIS KOVARIANSI)
Bb 4 ANAKOVA (ANALISIS KOVARIANSI) ANAVA vs ANREG ANAVA ANREG megu perbdg vrbel tergtug () dtu dr vrbel bebs () mempredks vrbel tergtug () mellu vrbel bebs () Ksus: Peelt deg vrbel : 1 Prests Mhssw Kemmpu
Lebih terperinciPRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss
Prktkum 8 Peyeles Persm Ler Smult Metode Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metode Elms Guss Tuju : Mempeljr metode Elms Guss utuk peyeles persm ler smult Dsr Teor : Metode Elms Guss merupk
Lebih terperinci( X ) 2 ANALISIS REGRESI
ANALII REGREI A. PENGERTIAN REGREI ecr umum d du mcm huug tr du vrel tu leh, tu etuk huug d keert huug. Utuk megethu etuk huug dguk lss regres. Utuk keert huug dpt dkethu deg lss korels. Alss regres dperguk
Lebih terperinciBab 2 LANDASAN TEORI
b LNDSN TEORI. Hmpu Fuzzy Tdk semu hmpu yg dump dlm kehdup sehr-hr terdefs secr els, msly hmpu org msk, hmpu org pd, hmpu org tgg, d sebgy. Msly, pd hmpu org tgg, tdk dpt dtetuk secr tegs pkh seseorg dlh
Lebih terperinciBAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada
BAB PENDAHULUAN. Ltr Belkg Sektor perkebu merupk sub sektor pert yg mejd slh stu fktor yg dpt medukug kegt perekoom d Idoes. Slh stu sub sektor perkebu yg cukup besr potesy dlm perekoom Idoes dlh perkebu
Lebih terperinciPENAKSIRAN PARAMETER MODEL REGRESI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI WIDYA WAHYUNI
UNIVERSITAS INDONESIA PENAKSIRAN PARAMETER MODEL REGRESI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI WIDYA WAHYUNI 07066003 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI MATEMATIKA DEPOK
Lebih terperinciPRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial
Prktkum. Regres Regres Ler, Regres Ekspoesl, d Regres Poloml Poltekk Elektrok eger Surb ITS 47 PRAKTIKUM Regres Ler, Regres Ekspoesl d Regres Poloml. Tuju : Mempeljr metode peeles regres ler, ekspoesl
Lebih terperinciESTIMASI KOEFISIEN KORELASI POLIKORIK MENGGUNAKAN METODE BAYESIAN DENGAN GIBBS SAMPLER
STIMSI KOFISIN KORLSI OLIKORIK MNGGUNKN MTOD BYSIN DNGN GIBBS SMLR d Setw d_set_03@hoo.com rogrm Stud Mtemtk Fkults Ss d Mtemtk Uversts Krste St Wc Jl Doegoro -60 Sltg 07 Idoes strct I ths er t s descred
Lebih terperinciMENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT
MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT Rz Phlev, Arsm Ad, Sgt Sugrto Mhssw Progrm Stud S Mtemtk Dose Jurus Mtemtk Fkults
Lebih terperinciBab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor
Bb 1 Av stu Alss Vrs (Alss Of Vrce / ANOVA) stu fktor Lerg Objectves 1. Desg d coduct expermets volvg sgle d two fctors. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc
Lebih terperinciPENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI
PENCOCOKAN KURVA (CURVE FITTING) Iterpols : Iterpols er Iterpols Kudrtk Iterpols Poloml Iterpols grge Regres : Regres er Regres Ekspoesl Regres Poloml INTERPOASI Iterpols dguk utuk meksr l tr (termedte
Lebih terperinciPENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD. Dydaestury Jalarno 1,Dwi Ispriyanti 2. Alumni Jurusan Matematika FMIPA UNDIP
PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD Dydesury Jlro,Dw Ispry Alum Jurus Memk FMIPA UNDIP S Progrm Sud Ssk FMIPA UNDIP Absrk Model regres erpoog s merupk suu model regres
Lebih terperinciCATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1)
CATATAN KULIAH Pertemu XIII: Alss Dmk d Itegrl () A. Dmk d Itegrs Model Stts : mecr l vrel edoge yg memeuh kods ekulrum tertetu. Model Optms : mecr l vrel plh yg megoptms fugs tuju tertetu. Model Dmk :
Lebih terperinciPENAKSIRAN PARAMETER DISTRIBUSI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI SHAFIRA
UNIVERSITAS INDONESIA PENAKSIRAN PARAMETER DISTRIBUSI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI SHAFIRA 0706695 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI MATEMATIKA DEPOK JULI
Lebih terperinciDIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275
DIGRAF ESENTRIS PADA DIGRAF SIEL DIGRAF OMPLIT DAN DIGRAF OMPLIT MULTIPARTIT Reto tur umlsr d Luc Rtsr Jurus Mtemtk FMIPA UNDIP Jl Prof H Soedrto SH Semrg 5075 Abstrct The eccetrc dgrph of dgrph ED ( D)
Lebih terperinciINTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :
INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI
Lebih terperinciJurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37
Jurl Mtemtk Mur d Terp Vol. 4 No. Desember : - 7 PENGGUNN BENTUK SMITH UNTUK MENENTUKN BENTUK KNONIK MTRIKS NORML DENGN ENTRI-ENTRI BILNGN KOMPLEKS Thresye Progrm Stud Mtemtk Uversts Lmbug Mgkurt Jl. Jed..
Lebih terperinciIII PEMBAHASAN. peubah. Sistem persamaan (6) dapat diringkas menjadi Bentuk Umum dari Magic Square, Bilangan Magic, dan Matriks SPL
III PEMBAHASAN 3.1. Betuk Umum dri Mgic Squre, Bilg Mgic, d Mtriks SPL Mislk eleme dri bris ke-i d kolom ke-j dlh i,j mk mgic squrey secr umum dlh 1,1 1, 1,,1,,,1,, Gmbr 1. Betuk umum mgic squre deg: i,j
Lebih terperinciMODUL MATA KULIAH ANALISIS NUMERIK OLEH : Rizqi Tresnaningsih, S.Pd, M.Pd PROGRAM STUDI PENDIDIKAN MATEMATIKA
MODUL MATA KULIAH ANALISIS NUMERIK OLEH : Rzq Tresgsh S.Pd M.Pd PROGRAM STUDI PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM IKIP PGRI MADIUN Modul Mt Kulh Alss Numerk DAFTAR
Lebih terperinciPRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel
Prktkum 0 Peyeles Persm Ler Smult - Metode Elms Guss Sedel PRAKTIKUM 0 Peyeles Persm Ler Smult Metode Elms Guss Sedel Tuu : ler smult Mempelr metode Elms Guss Sedel utuk peyeles persm Dsr Teor : Metode
Lebih terperinciBAB V ANALISIS REGRESI
BAB V ANALISIS REGRESI Setelh mempeljr mhssw dhrpk dpt : Meghtug prmeter regres Melkuk estms d uj prmeter regres 3 Meemuk model regres g tept Dlm kehdup serg dtemuk d sekelompok peuh g dtr terdpt huug,
Lebih terperincibila nilai parameter sesungguhnya adalah. Jadi, K( ) P( SU jatuh ke dalam WP bila nilai parameter sama dengan )
Kus Uji d Lem Neym-Perso Kebik sutu uji serig diukur oleh d. Di dlm prktek, bisy ditetpk, d kibty wilyh peolk (WP) mejdi tertetu pul. Kierj sutu uji jug serig diukur oleh p yg disebut kus uji (power of
Lebih terperinciPENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN REGRESI ROBUST PADA SAMPING ACAK SEDERHANA.
PENAKI AIO ANG EFIIEN UNTUK ATA-ATA POPULAI MENGGUNAKAN KOEFIIEN EGEI OUT PADA AMPING ACAK EDEHANA M Okto Mork Arsm Ad Hpos rt moktomoo@hoo.co.d Mhssw Progrm Mtemtk Dose Jurus Mtemtk Fkults Mtemtk d Ilmu
Lebih terperinciVARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA
VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA De Prm Sr Jurus Mtemtk Uersts Neger Pg, Ioes eml: eprmsr@yhoo.com Abstrk. Auts lh rgk pembyr tu peerm lm jumlh tertetu yg lkuk secr berkl p jgk wktu
Lebih terperinciBab 4 Penyelesaian Persamaan Linier Simultan
Bb Peyeles Persm Ler Smult.. Persm Ler Smult Persm ler smult dlh sutu betuk persm-persm yg ser bersm-sm meyjk byk vrbel bebs. Betuk persm ler smult deg m persm d vrbel bebs dpt dtulsk sebg berkut: b b
Lebih terperinciKajian Metode Estimasi Parameter dalam Regresi Semiparametrik Spline
W. Wowo, S. Hrytm, I N. Budtr, Kj Metode Estms Prmeter... Kj Metode Estms Prmeter dlm egres Semrmetrk Sle Whyu Wowo, Sr Hrytm, I Nyom Budtr whyu.stk@gml.com Jurus Mtemtk, Uversts Gdjh Md Yogykrt Jurus
Lebih terperinciINTERPOLASI PERTEMUAN : S K S - T E K N I K I N F O R M A T I K A - S1 M O H A M A D S I D I Q
INTERPOLASI 3 S K S - T E K N I K I N F O R M A T I K A - S M O H A M A D S I D I Q PERTEMUAN : - SEBELUM-UTS Pegtr Metode Numerik Sistem Bilg d Keslh Peyji Bilg Bult & Pech Nili Sigiik Akursi d Presisi
Lebih terperinciINTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :
INTEGRASI NUMERIK INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser
Lebih terperinciBAB I PENDAHULUAN. Populasi merupakan kumpulan dari individu organisme yang memiliki
BAB I PENDAHULUAN. Ltr Belkg Populs merupk kumpul dr dvdu orgsme yg memlk sft tumbuh growth, reks respos terhdp lgkugy, d reproduks. Pd dsry, pertumbuh mkhluk hdup pd sutu populs merupk proses yg berlgsug
Lebih terperinciPRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange
Prktkum. Iterpols Ler, Kudrtk, Poloml d Lgrge PRAKTIKUM Iterpols Ler, Kudrtk, Poloml, d Lgrge Tuju : Mempeljr berbg metode Iterpols g d utuk meetuk ttkttk tr dr buh ttk deg megguk sutu fugs pedekt tertetu.
Lebih terperinciINTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal :
INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI
Lebih terperinciIII PEMBAHASAN. x x. 3.1 Analisis Metode Perhatikan persamaan integral Volterra berikut. x. atau (11)
III PEMBAHASAN 3 Alisis Metode Perhtik persm itegrl Volterr berikut y ( f( λ Ktyt ( ( (8 deg y( merupk fugsi yg k ditetuk sutu kostt f( fugsi sembrg yg dikethui d terdefiisi pd R d K(ty(t sutu fugsi yg
Lebih terperinciBAB III METODOLOGI PENELITIAN
0 BAB III METODOLOGI PENELITIAN 3. 1. Loks d Wktu Peelt 1.1.1 Loks Peelt Peelt dlksk d MA Neger 3 Kot Gorotlo pd ssw kels. ekolh merupk slh stu sekolh meegh ts yg terletk d Jl KH. Dewtoro Kelurh Lmb U1
Lebih terperinciHUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA
HUBUNAN DERET BERTINKAT BERDAAR BILANAN EULERIAN DENAN OPERATOR BEDA Aleder A uw Jurus Mtetk, Fkults s d Tekolog, Uversts B Nustr Jl. K.H. yhd No. 9, Plerh, Jkrt Brt 48 gug@bus.edu ABTRACT Cscde seres
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 41-45, April 2001, ISSN : KETERHUBUNGAN GALOIS FIELD DAN LAPANGAN PEMISAH
Vol. 4. No. 1, 41-45, Aril 2001, ISSN : 1410-8518 KETERHUBUNGAN GALOIS FIELD DAN LAPANGAN PEMISAH Bmbg Irwto Jurus Mtemtik FMIPA UNDIP Abstct I this er, it ws lered of the ecessry d sufficiet coditio for
Lebih terperinciHUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA
HUBUNGAN DERET BERTINGKAT BERDAARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA Aleder A.. Guw Jurus Mtetk d ttstk, Fkults s d Tekolog, Bus Uversty Jl. KH. yhd No. 9, Plerh, Jkrt Brt 48. gug@bus.edu ABTRACT
Lebih terperinciPerbedaan Interpolasi dan Ekstrapolasi
Iterolsi Iterolsi Perbed Iterolsi d Ekstrolsi Iterolsi Liier L Iterolsi Kudrt L h h Iterolsi Qubic L h h h Iterolsi dg Poliomil 5 Tble : Si equidisttly sced oits i [- ] y 5 -..846 -.6. -..5..5.6...846
Lebih terperinciDIKTAT. Mata Kuliah METODE NUMERIK. Oleh: I Ketut Adi Atmika
DIKTAT Mt Kulh METODE NUMERIK Oleh: I Ketut Ad Atmk JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS UDAYANA 6 KATA PENGANTAR Dktt dsusu utuk memudhk mhssw dlm memhm beberp metode umerk utuk meyelesk persm-persm
Lebih terperinciBentuk Umum Perluasan Teorema Pythagoras
Jrl Grde Vol No Jr 6 : 9-4 Betk Umm Perls Teorem Pythors Ml stt By Kerm Ulsr les Jrs Mtemtk Fklts Mtemtk d Ilm Peeth lm Uversts Bekl Idoes Dterm Septemer 5; dset Desemer 5 strk - Peelt memhs perls teorem
Lebih terperinciBAB I KOMBINATORIKA. A. Kaidah Pencacahan Terdapat dua kaidah pencacahan, yaitu kaidah penjumlahan dan kaidah perkaliah.
BAB I KOMBINATORIKA Dr. Al Mhmud (Jurus Peddk Mtemtk FMIPA UNY) Combtorcs hs emerged s ew subject stdg t the crossrods betwee pure d plled mthemtcs, the ceter of bustlg ctvty, smmerg pot of ew problems
Lebih terperinciJl. HR. Soebrantas No. 155 Simpang Baru, Panam, Pekanbaru,
Jurl Ss Mtetk d Sttstk, Vol. No. Jul 6 ISSN 6-5 Metode Guss-Sedel d Geerlss Guss-Sedel utuk Meyelesk Sste Pers Ler Kopleks Cotoh Ksus: SPL Kopleks deg pers d vrel tr ry, Le Tr Lestr, Jurus Mtetk, kults
Lebih terperinciModel Tak Penuh. Definisi dapat di-uji (testable): nxp
Model T Peuh Defs dpt d-u (testle): Sutu c c 'c 'c H 'c 'c dpt du l d stu set fugs g dpt - ddug m m ' sehgg H er c ' ' slg es ler tu C c ' c m ' Perht : Kre r X p r p m m r c' (X' X) c X' X c' C(X' X)
Lebih terperinci1 yang akan menghasilkan
Rset Opers Probblstk Teor Per (Ge Theor) Nughthoh Arfw Kurdh, M.Sc Deprteet of Mthetcs FMIPA UNS Lecture 6: Med Strteg: Ler Progrg Method A. Metode Cpur deg Progr Ler Terdpt hubug g ert tr teor per d progr
Lebih terperincia home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6
home se to ecellece Mt Kulh : Klkulus Kode : TSP 0 SKS : SKS Itegrl Pertemu - 6 home se to ecellece TIU : Mhssw dpt memhm tegrl fugs d plksy TIK : Mhssw mmpu mecr tegrl fugs Mhssw mmpu megguk tegrl utuk
Lebih terperinciGEOMETRI EUCLID EG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG
GEOMETRI EUCLID EG(, p ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG Bmg Irwto d Yu Hdyt Jurus Mtemtk FMIPA UNDIP Jl. Prof. H. Soedrto, S.H, Semrg 5075 Astrt. A Bled Iomplete Blok (BIB) desg
Lebih terperinciBAB 2 TINJAUAN TEORITIS. mempengaruhi sering disebut variabel bebas, variabel independen atau variabel
BAB TINJAUAN TEORITIS.. Regres Ler Sederh Regres ler dlh lt sttst yg dpergu utu megethu pegruh tr stu tu beberp vrbel terhdp stu buh vrbel. Vrbel yg mempegruh serg dsebut vrbel bebs, vrbel depede tu vrbel
Lebih terperinciBatas Nilai Eigen Maksimal Dari Matriks Tak Negatif
Vol. 3 No. 80-85 Ju 007 Bts Nl Ege Mksl D Mtks Tk Negtf A. Kes Jy Abstk Ide ut skps dlh utuk edptk etode dl eetuk bts d l ege ksl d tks tk egtf deg bedsk bts Fobeus. Ytu R d dlh ulh bs tu kolo u d R dlh
Lebih terperinciRENCANA PELAKSANAAN PERKULIAHAN
Lesso Study FMIPA UNY RENCANA PELAKSANAAN PERKULIAHAN MATA KULIAH : ALJABAR LINEAR II SEMESTER : III TOPIK : NILAI EIGEN DAN VEKTOR EIGEN SUB TOPIK : NILAI EIGEN DAN VEKTOR EIGEN WAKTU : X 5 A. Stdr Kompetesi:
Lebih terperinciMETODE NUMERIK PERTEMUAN : 5 & 6 M O H A M A D S I D I Q 3 S K S - T E K N I K I N F O R M A T I K A - S1
METODE NUMERIK S K S - T E K N I K I N F O R M A T I K A - S M O H A M A D S I D I Q PERTEMUAN : 5 & 6 PENYELESAIAN PERSAMAAN LINIER SIMULTAN S K S - T E K N I K I N F O R M A T I K A - S M O H A M A D
Lebih terperinciBAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ. Definisi 3.1 Matriks Toeplitz adalah suatu matriks., dengan nilai,, dan indeks yang
BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ 3. Mtriks Toeplitz Defiisi 3. Mtriks Toeplitz dlh sutu mtriks [ t ; k, j = 0,,..., ] : T =, k j, deg ili,, d ideks yg diguk setip etriy
Lebih terperinciPEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang
PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY Oleh : Yusup Fkults Ilmu Komputer, Uversts AKI Semrg Astrt The frto of No Homoge Lerty Ajustmet System towr Cholesky Doule
Lebih terperinciINTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :
INTEGRASI NUMERIK Pegtr Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. Msly dlm termodmk, model Deye utuk megtug kpsts ps dr ed pdt.
Lebih terperinciMetode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS
Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl
Lebih terperinciFUNGSI KARAKTERISTIK. penelitian ini akan ditentukan fungsi karakteristik dari distribusi four-parameter
IV. FUNGSI KARAKTERISTIK Pd bgi seljuty k dijbrk megei ugsi krkteristik. Pd peeliti ii k ditetuk ugsi krkteristik dri distribusi our-prmeter geerlized t deg megguk deiisi d kemudi k membuktik ugsi krkteristik
Lebih terperinciPRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss
Prktkum 8 Peyeles Persm Ler Smult Metoe Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metoe Elms Guss Tuju : smult Mempeljr metoe Elms Guss utuk peyeles persm ler Dsr Teor : Metoe Elms Guss merupk metoe
Lebih terperinciMetode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS
Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl
Lebih terperinci( ) τ k τ HASIL DAN PEMBAHASAN. Perumusan Penduga Bagi θ
HASIL DAN PEMBAHASAN Perumus Pedug Bgi θ Mislk N dlh proses Poisso pd itervl [, deg rt µ yg kotiu mutlk, d fugsi itesits λ yg teritegrlk lokl Sehigg, utuk setip himpu Borel terbts B mk: µ ( B Ε N( B λ(
Lebih terperinciPENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse
PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI Ftr Rhm Sr d D Idr Sesuse Fkults Ilmu Komputer, Uversts Idoes, Depok, Idoes d@cs.u.c.d Astrk Memlh
Lebih terperinciPENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : PT. SINAR KENCANA INTERMODA SURABAYA)
Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : SINAR KENCANA INTERMODA
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON
PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON SKRIPSI oleh: KHUTWATUN NASIHA NIM: 4 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) MALANG MALANG
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 2, , Agustus 2002, ISSN :
JURNL MTEMTIK DN KOMPUTER Vol 5 No 07-8 gustus 00 ISSN : 40-858 REFORMULSI DRI SOLUSI -SOLITON UNTUK PERSMN KORTEWEG-de VRIES D Mustkgs d Sutm Jurus Mtemtk FMIP Uversts Dpoegoro bstrct Te soluto o -solto
Lebih terperinciESTIMASI PARAMETER REGRESI TERPOTONG KIRI DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER REGRESI TERPOTONG KIRI DENGAN METODE MAKSIMUM LIKELIHOOD R Prw d Dw Ispry Jurus Memk FMIPA Uverss Dpoegoro Jl Pro H Soedro SH Temblg Semrg 575 Absrc Le ruced regresso model s regresso
Lebih terperinciMetode Iterasi Gauss Seidell
Metode Itersi Guss Seidell Metode itersi Guss-Seidel : metode yg megguk proses itersi higg diperoleh ili-ili yg berubh. Bil dikethui persm liier simult: Berik ili wl dri setip i (i s/d ) kemudi persm liier
Lebih terperinciSOAL UJIAN AKHIR MATEMATIKA INFORMATIKA 4 (A & B) Dosen: Dr. Asep Juarna Jumlah Soal: 3 Uraian Tanggal Ujian: 02/03/12 Waktu Ujian: 2 jam
SOAL UJIAN AKHIR MATEMATIKA INFORMATIKA 4 A & B Dose: Dr. Asep Jur Jumlh Sol: Uri Tggl Uji: // Wktu Uji: jm jik. Solusi t dlh: t + log, yg dpt dibuktik sbb: t jik t t + [t/ + ] + t/ + t/4 + t/8 + 4 t/
Lebih terperinciBab 2 Landasan Teori
Bb 2 Lds Teor 2.1. Ler Progrmmg Model pemrogrm ler tdk mmpu meyelesk ksus-ksus mjeme yg meghedk ssr-ssr tertetu dcp secr smult. Kelemh dlht oleh A. Chres d W.M. Cooper. Merek berdu kemud megembgk model
Lebih terperinciTEKNIK BARU MENYELESAIKAN SISTEM PERSAMAAN DIFERENSIAL LINEAR ORDE SATU NONHOMOGEN
TEKNIK BARU MENYELESAIKAN SISTEM PERSAMAAN DIFERENSIAL LINEAR ORDE SATU NONHOMOGEN Yo Hedri 1* Asmr Krm Musrii 1 Mhsisw Progrm S1 Mtemtik Dose JurusMtemtik Fkults Mtemtik d Ilmu Pegethu Alm Uiversits Riu
Lebih terperinciBAB IV METODA ANALISIS RANGKAIAN
6 BAB METODA ANALSS RANGKAAN Metod nlss rngkn sebenrny merupkn slh stu lt bntu untuk menyeleskn sutu permslhn yng muncul dlm mengnlss sutu rngkn, blmn konsep dsr tu hukum-hukum dsr sepert Hukum Ohm dn
Lebih terperinciUNIVERSITAS INDONESIA METODE STAIRCASE UNTUK MENDAPATKAN BENTUK KANONIK JORDAN DENGAN KARAKTERISTIK WEYR SKRIPSI NURRY WIDYA HESTY
UNIVERSITS INDONESI METODE STIRCSE UNTUK MENDPTKN BENTUK KNONIK JORDN DENGN KRKTERISTIK WEYR SKRIPSI NURRY WIDY HESTY 976 Fkults Mtemtk d Ilmu Pegethu lm Progrm Stud Mtemtk Depok Februr Metode strcse...,
Lebih terperinciSOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT
OLUI DERET PANGKAT TETAP DENGAN FUNGI PEMBANGKIT Aleder A Guw Jurus Mtemt d ttst Fults s d Teolog, Uversts B Nustr Jl. K. H. yhd No. 9, Kemggs/Plmerh, Jrt Brt 8 gug@bus.edu ABTRACT Ths rtcle dscusses bout
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Alss Regres Alss regres dlh tekk sttstk yg ergu utuk memerks d memodelk huug dtr vrel-vrel. Peerpy dpt djump secr lus d yk dg sepert tekk, ekoom, mjeme, lmu-lmu olog, lmu-lmu sosl,
Lebih terperincidan mempunyai vektor normal n =(a b c). Misal P(x,y,z) suatu titik berada pada bidang. 1. Persamaan bidangnya adalah n P P
Rug Vektor Tuju:. Megigt kembli persm gris d bidg di rug.. Memhmi ksiom rug vektor, kombisi liier d rug bgi.. Megigt kembli pegerti bebs d bergtug liier, bsis d dimesi. Arti geometris dri determi Jik A
Lebih terperinciDEFINISI INTEGRAL. ' untuk
DEINISI INTEGRAL Dlm mtemtk d eerp stl sepert des, teorem, lemm Istl petg kre meujuk keeksstes Des dl peryt yg erl er kre dsepkt, d tdk perlu duktk Teorem dl peryt yg dpt duktk keery Lemm dl teorem kecl,
Lebih terperinciMAKALAH STATISTIK DAN STOKASTIK
MAKALAH STATISTIK DAN STOKASTIK DISUSUN OLEH : Yop Mrss Shte 6567 ROGRAM STUDI TEKNIK ELEKTRO DEARTEMEN TEKNOLOGI INDUSTRI SEKOLAH VOKASI UNIVERSITAS DIONEGORO SEMARANG 7 KATA ENGANTAR u syukur kehdrt
Lebih terperinciANALISIS ALIRAN DAYA BEBAN TIDAK SEIMBANG PADA FEEDER BLANG BINTANG GH LAMBARO BANDA ACEH
Semr Nsol d ExoTekk Elektro 2012 SSN : 2088-9984 ANALSS ALRAN DAYA BEBAN TDAK SEMBANG PADA FEEDER BLANG BNTANG GH LAMBARO BANDA ACEH Syhrl 1, Syukryd 2,Rdh Frdus 3 1,2,3.Tekk Eerg Lstrk Uversts Syh Kul
Lebih terperinciBAB 2 TINJAUAN TEORITIS
TINJUN TOITIS 1Pegel Ivests Pd dsry ortofolo erl dr ermslh vests Utuk tu seelum memhs ortofolo, dsr-dsr vests k dhs secr sgkt yg mecku tu defs, tujuy, gm rosesy, d s elkuy 11 Defs Ivests Ivests dlh em
Lebih terperinciAnuitas. Anuitas Akhir
Auts Auts bersl r kt bhs Iggrs uty yg pt efsk sebg rgk pembyr tu peerm tetp lm jumlh tertetu yg lkuk secr berkl p jgk wktu tertetu. Kt uty sly berrt pembyr ul (thu), k tetp serg eg berjly wktu kt uts jug
Lebih terperinci1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0.
KKKF BAHAGAN A 6 MARKAH Arh : Jw SEMUA sol. Kepekt kter pecemr pt, d dlm secw teh trk yg drk selm eerp jm derk oleh: pt = 5e -.5t + 5e -.75t Crk ms, t, dlm ut jm yg dperluk utuk kter jk kepekt yg dkehedk
Lebih terperinciBab IV Faktorisasi QR
Bb IV Ftorss QR. Pedhulu Ftorss QR dr mtr A beruur m dlh pegur mtr A mejd A Q R dm Q R m m dlh orthogol d R R m segtg ts. Ftorss serg jug dsebut ftorss orthogol (orthogol ftorzto). Ad beberp r yg dgu utu
Lebih terperinciESTIMATOR TAK BIAS LINIER TERBAIK PADA MODEL LINIER UNTUK KASUS HOMOSKEDASTIK DAN HETEROSKEDASTIK
ESIAOR AK BIAS INIER ERBAIK PADA ODE INIER UNUK KASUS HOOSKEDASIK DAN HEEROSKEDASIK skrps dsjk sebg slh stu syrt utuk memperoleh gelr Srj Ss Progrm Stud temtk oleh H kwt 45040400 JURUSAN AEAIKA FAKUAS
Lebih terperinciBARISAN DAN DERET BARISAN DAN DERET. U n. 2 n. 2 a = suku pertama = U 1 b = beda deret = U n U n 1. I. Perngertian Barisan dan Deret
BARISAN DAN DERET I. Pergerti Bris d Deret Bris bilg dlh pemet dri bilg sli ke bilg rel yg diurutk meurut tur tertetu. U III. Deret Geometri Ciriy : rsio tetp U = r S r = r S r = r = bilg sli U = suku
Lebih terperinciBAB 1 PENDAHULUAN. Gambar 1.1. Kurva y=sinc(x)
BAB PENDAHULUAN.. Megp Megguk Metode Numerk Tdk semu permslh mtemts tu perhtug dpt dselesk deg mudh. Bhk dlm prsp mtemtk, dlm memdg permslh g terlebh dhulu dperhtk pkh permslh tersebut mempu peeles tu
Lebih terperincix 1 M = x 1 m 1 + x 2 m x n m n = x i
Iterl Tertetu..6 oe d ust ss Ttk Bert slk d du ed s-s elk ss sesr d y dletkk pd pp er de jrk erturut-turut d d d dr ttk pey pd - y ered. Ked terseut k se jk dpeuh d d. d d Sutu odel tets y k dperoleh pl
Lebih terperinciMA1201 MATEMATIKA 2A Hendra Gunawan
MA1201 MATEMATIKA 2A Hedr Guw Semester II, 2016/2017 24 Februri 2017 9.6 Deret Pgkt Kulih yg Llu Meetuk selg kekoverge deret pgkt 9.7 Opersi pd Deret Pgkt Melkuk opersi pd deret pgkt yg dikethui jumlhy
Lebih terperinci3SKS-TEKNIK INFORMATIKA-S1
SKS-TEKNIK INFORMATIKA-S Momd Sdq PERTEMUAN : 9- INTEGRASI NUMERIK METODE NUMERIK TEKNIK INFORMATIKA S SKS Momd Sdq MATERI PERKUIAHAN SEBEUM-UTS Pegtr Metode Numerk Sstem Blg d Kesl Peyj Blg Bult & Pe
Lebih terperinciPenyelesaian Persamaan Linier Simultan
Peyelesi Persm Liier Simult Persm Liier Simult Persm liier simult dlh sutu betuk persm-persm yg ser bersm-sm meyjik byk vribel bebs Betuk persm liier simult deg m persm d vribel bebs ij utuk i= s/d m d
Lebih terperinci