PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

Ukuran: px
Mulai penontonan dengan halaman:

Download "PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)"

Transkripsi

1 PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka Fakultas ans dan Matmatka (FM) Unvrstas Krstn atya Wacana (UKW) (wwwukswdu) mahasswa, matmatka FM UKW mahasswa, matmatka FM UKW ABRAK Pada makalah n dbahas tntang analsa bbraa sktor saham yang ada d Indonsa Data dambl dar Bursa Efk Jakarta ( BEJ ) dan mnggunakan data ada bulan Januar sama dngan Januar Analsa mnggunakan PCA (Prncal Comonnt Analyss) Mtod n dlakukan dngan cara mnyusun matrks kovarans dar datavarabl mula-mula dtransformas mnjad varabl baru Y dngan P=Y dan P adalah matrks yang vktor-vktor kolomnya adalah vktor gn dar matrks kovarans Vktor gn dar nla gn trbsar dsbut komonn rns dan mruakan bobot nyusun varabl baru sbaga kombnas lnar dar varabl yang lama Data mnunjukkan bahwa ada varabl sbaga sktor sktor yang mmlk nla sahan cuku tngg Varabl trsbut adalah rtanan, ndustr dasar, anka ndustr, barang konsums, kuangan, rtambangan, rort, dan rdagangan luruh varabl duj untuk mndaatkan varabl yang domnan Drolh bahwa rort dan rdagangan adalah varabl yang domnan yang dtunjukkan dngan varans trbsar mlalu Prncal Comonnt Analyss Jka varabl dstandarsas maka tdak daat dtunjukkan varabl yang domnan Kata Kunc : komonn rns, nla gn, vktor gn PENDAHULUAN aham mruakan bagan trntng ddalam duna bsns dan cuku mnjanjkan Kuntungan yang ddaat dar mnanamkan uang dalam bntuk uang cuku bsar, bgtu ula krugan yang daat dtrma Olh karna tu banyak orang brlomba lomba untuk mnanamkan sbagan kkayaan yang dmlk dalam bntuk saham aham sndr trbag kdalam bbraa sktor / bdang srt rtanan, ndustr, rtambangan, kuangan, konsums / bahan angan, rorty dan rdagangan Pnuls mlakukan obsrvas data d wbst bursa fk untuk mngtahu varabl yang daat mmbrkan kuntungan cuku bsar dan mmnmalkan krugan yang ddaat Agar smua varabl yang ada ada data saham trsbut daat dktahu mana yang brngaruh trhada untung rug yang ddaat maka nuls mncar varabl varabl yang domnan trhada saham trsbut mua varabl domnan yang mmngaruh nla saham trsbut dlh mnggunakan mtod Prncal Comonnt Analsys ( PCA ) 666

2 Pada makalah n tor yang dgunakan dtunjukkan ada bagan PCA sdangkan njlasan mtod yang dgunakan dtunjukkan ada Bab Hasl analsa djlaskan ada Bab dan ksmulan dtulskan ada bagan akhr makalah n PCA (PRINCIPAL COMPONEN ANALYI) PCA tlah dgunakan olh brbaga nlt untuk mmlh varabl yang domnan agar varabl yang banyak daat trduks baga salah satu contoh adalah mncar varabl domnan ada brbaga jns varabl akan yang dbrkan ada sa untuk mngnal varabl yang domnan yang brngaruh trhada brat sa otmum untuk mmroduks susu sa (Parhus dan ska 9) or yang tlah dulas ada ltratur trsbut dtuls kmbal ada makalah n Akan tta ada makalah n dtambahkan nyusunan komonn rns dngan PCA untuk varabl yang tlah dstandarsas cara aljabar PCA mruakan suatu kombnas lnar khusus untuk varabl random,, cara gomtr, kombnas lnar mnyatakan mlhan sstm koordnat baru yang drolh dar mrotas sstm mula-mula,, sbaga sumbu-sumbu koordnat umbu koordnat yang baru sangat trgantung dar matrks kovarans (atau matrk korlas) Matrks kovarans ada makalah n dsmbolkan dan haruslah ostf tgas (ostv dfnt) Istlah n djlaskan ada Dfns Dfns : (Prssn,9) Msalkan a j sbuah matrks smtr n n maka matrks a j ostf (ngatf) tgas (dfnt ostv (ngatv)) jka dan hanya jka smua nla gnnya ostf (ngatf) dangkan mattrks yang smostf (smngatf) tgas jka dan hanya jka smua nla gnnya takngatf (takostf) orma (Johnson, and Wchrn, ) butlah matrks = [,, ] adalah matrks yang vktor-vktor kolomnya adalah vktor random (dangga brdstrbus normal) yang mmunya matrks kovarans (smtrs dan ostf tgas (ostv dfnt)) dngan nla gn dan sbutlah vktor gn yang brssuaan untuk sta adalah,, yang salng ortogonal Komonn rns k- adalah Y, =,,, (a) Dngan mlhan n Var ( Y ), =,,,, (b) Cov( Y, Y )= k k, k (c) Prlunya,, yang salng ortogonal adalah bahwa kta daat mnyusun kombnas lnar Y dngan bass {,, } Jka bbraa ada yang sama maka mlhan vktor gn ada yang sama bnarnya daat dlh vktor gn yang brbda dngan mnggunakan gnralsas vktor gn (gnralzd gnvctor) tta tdak dbahas ada makalah n Olh karna tu Y tdak tunggal Bukt : (Johnson and Wchrn,, hal) 667

3 Akbat butlah matrks = [,, ] adalah matrks yang vktor-vktor kolomnya adalah vktor random yang mmunya matrks kovarans dngan nla gn dan sbutlah vktor gn yang brssuaan untuk sta adalah,, dan komonn-komonn rns dtntukan olh rsamaan (a) Maka Var ( ) Var ( Y ) (d) mnyatakan varans oulas yang k- Bukt : Dktahu dar aljabar lnar bahwa jumlahan lmn dagonal dar suatu matrks dsbut sbaga trac (tr) matrks trsbut (Lay,) Dalam hal n brart tr( ) Kta daat mnulskan PDP dngan D adalah matrks dagonal yang lmn dagonal adalah dan P = ] adalah matrks yang vktor-vktor kolomnya mruakan vktor gn [ dan salng ortogonal shngga PP P P I (matrks dnttas) Dar sfat tr bahwa tr dar rkalan matrks A dan B brlaku tr(ab) = tr(ba) hngga brlaku Jad tr( ) tr( P( DP tr( DP )) P) tr( DI) tr( D) Var ( ) tr( ) tr( D) Var ( Y ) Akbat mnyatakan bahwa total varans oulas = Akbat Proors varans komonn rns k- ddfnskan sbaga k, k =,, Nla k mnyatakan ukuran ntngnya varabl k-k trhada komonn rns k- cara khusus, k mnyatakan korlas antara komonn-komonn Y dan varabl-varabl k Hal n dtunjukkan ada orma orma Jka, Y kovarans maka Y,, 66 Y adalah komonn rns yang drolh dar matrks k Y,,,k =,,, (a) k adalah kofsn korlas antara komonn-komonn Y dan varabl-varabl Bukt : (Johnson and Wchrn, 7, hal 6) kk k

4 Kta tlah mmunya nformas bahwa korlas antara varabl mula-mula yang tdak mmuat dmns shngga varans data bbas dar varans yang mmuat dmns yatu dngan kofsn korlas oulas yang ddfnskan sbaga k k k (b) Kofsn korlas n mngukur hubungan lnar antara varabl random dan k Matrks korlas mruakan matrks smtr x yatu = (c) Komonn rns scara gomtr mmnuh rsamaan llsoda c y y y, c : konstan () Karna, rsamaan () mnyatakan sstm koordnat dngan sumbu-sumbu y,, y ada arah brturut-turut dbrkan olh,, (yang tlah salng ortonormal) Untuk slanjutnya akan dtntukan varabl domnan yang mmngaruh nla saham d brbaga sktor maka daat dgunakan PCA dngan mnyusun matrks kovarans trlbh dahulu dngan mngasumskan bahwa data dsman dalam sbuah vktor random dmana lmn bars mnyatakan N obsrvas = [ ] dan banyaknya kolom mnyatakan varabl,, ada matrks x N Rata-rata untuk vktor ddfnskan sbaga M (a) Akan dcar ˆ k untuk k=, dmana: ˆ k k M (b) hngga kolom matrks N x daat dtuls sbaga: B = [ ˆ ˆ ˆ ] (c) dmana B mruakan bntuk dvas rata-rata untuk sta yang drolh dar rsamaan (b) dangkan matrks kovarans matrks adalah x matrks yang ddfnskan sbaga: BB (d) BB mruakan matrks ostv dfnt (nla gn matrks trsbut smua ostf) ssua dngan orma otal varans ddfnskan sbaga jumlahan smua varans sbagamana dtunjukkan ada rsamaan (d) Hal n drolh dngan cara jumlahan dar lmn dagonal matrks Jumlahan dar smua dagonal matrks yang dkuadratkan mruakan trac dar matrks ( tr() ) Nla gn dar harus durutkan dar bsar k kcl agar dktahu varabl aa yang alng domnan yang mmngaruh nla saham kk 669

5 Untuk slanjutnya rlu dsusun matrks P = Y dngan P adalah matrks yang trdr dar vktorvktor kolom dar sta vktor gn yang drolh Vktor gn n drolh dngan mnylsakan I, =,, (a) dngan n banyaknya saml saham dangkan nla gn rlu drolh trlbh dahulu dngan mnylsakan rsamaan karaktrstk yatu dt(- I) = yang drolh dar (b) PCA dngan standardsas Varabl Varabl random daat dstandarsas dngan cara Z,, Dngan notas matrks vktor rsamaan (c) dtuls sbaga Z = (V / ) - ( - ) dngan (V / ) - mruakan matrks dagonal yatu (V / ) - = Z, Z (c) (d) () Dngan mnggunakan rsamaan (c) dan () daat drolh = (V / ) - (V / ) - (f) Dngan varabl random yang sudah dstandarsas kta daat mnyusun komonn rns brdasarkan orma 6 orma 6 Komonn rns k- dar varabl standard Z = [Z, Z,,Z ], dngan Cov(Z) = dbrkan olh Y Z = (V / ) - ( - ), =,,, (g) lan tu Var ( Y ) Var ( Z ) dan Y Z, k k,,k =,,, (h) Pada orma n nla gn dan vktor gn drolh dar matrks korlas (f) Agar PCA daat drknalkan dngan jlas brkut n dbrkan contoh nggunaaannya dngan mnggunakan bantuan MALAB Contoh : Msal data yang drolh saham dar sktor Prtanan, Industr Dasar, Anka Industr dan Barang Konsums dtunjukkan ada abl 67

6 abl Data ngukuran varabl untuk sktor saham ahun Akhr Prod Prtanan Industr Dasar Anka Industr Barang Konsums tmbr Oktobr Novmbr 9 9 Dsmbr Januar Fbruar Mart Arl 667 M Jun Jul Agustus tmbr Oktobr IV Novmbr I Novmbr II Novmbr III Novmbr IV Dsmbr I Dsmbr II Dsmbr III Dsmbr IV Januar I Januar II Januar III Januar IV

7 ahun abl Data ngukuran varabl untuk sktor saham (tak brdmns) Akhr Prod Prtanan Industr Dasar Anka Industr Barang Konsums tmbr Oktobr Novmbr Dsmbr Januar Fbruar Mart Arl 9 M Jun Jul Agustus tmbr Oktobr IV Novmbr I Novmbr II Novmbr III Novmbr IV Dsmbr I Dsmbr II Dsmbr III Dsmbr IV Januar I Januar II Januar III Januar IV Data ada abl rlu dnyatakan dalam bntuk tak brdmns Hal n dlakukan dngan cara mmbag data ta bars dngan maksmum r bars yang dtunjukkan ada abl Matrks kovarans dar abl daat dcar dngan mnghtung rata-rata data ta bars yang dsbut dalam vktor M dan dcar matrks dvas B mnggunakan bantuan MALAB hngga matrks kovaransnya adalah 67

8 9 9 = tlah matrks kovarans() drolh, maka daat dcar nla gnnya yatu harus mmnuh x x (rsamaan b) dngan x [ x x x x ] bukan vktor nol (dan dsbut sbaga vktor gn) yang harus dcar Untuk tu brart ( I ) x, agar x [ x x x x ] bukan vktor nol maka dsyaratkan dt ( I) = (Lay,) Dngan mnggunakan bantuan MALAB maka daat drolh nla gn 6, 9, dan drolh nla vktor gn ,, 9, Daat dtunjukkan bahwa, = dan dngan j dmana, j,,, Hal n brart j masng masng vktor salng tgak lurus dan mmunya nla, shngga daat dgunakan sbaga bass untuk Y Olh karna tu komonn rns adalah Y Y Y , 77 69, Y Untuk slanjutnya korlas antara Y dan formula () yatu brturut-turut Y, =-; s Y, =; s, =,, daat dtunjukkan dngan mngkut Y, =67; s Y, = 9 s Karna nla korlas (barang konsums) dkat dngan ( Y, = 9), maka varabl mmngaruh nla sahan Indonsa rod Januar Januar MEODE PENELIIAN Pngumulan Data : data yang dgunakan adalah data saham Januar yang dtunjukkan ada abl Data sta vktor-vktor kolom dangga sbaga varabl random yang brdstrbus normal Daat ula dlakukan ngujan normaltas data Mnyusun matrks kovarans mnggunakan rsamaan (a)-(d), 67

9 Mnghtung nla gn dan vktor gn yang brssuaan dngan nla gnnya mnurut rsamaan (a)-(b) Vktor gn sbaga nyusun kofsn ada komonn rns Mnyatakan varabl rns sbaga kombnas lnar dar varabl mula-mula mnggunakan rsamaan (a) Mnntukan kofssn korlas antara komonn rns dan varabl mula mula dngan rsamaan () ahun Akhr Prod Prtanan abl Data aham Januar Januar umbr : htt //: bankndonsa/statstc/montr/sm Industr Anka Barang Dasar Industr Konsums Kuangan Prtambangan Prort Prdagangan tmbr Oktobr Novmbr Dsmbr Januar Fbruar Mart Arl M Jun Jul Agustus tmbr Oktobr IV Novmbr I Novmbr II Novmbr III Novmbr IV Dsmbr I Dsmbr II Dsmbr III Dsmbr IV Januar I Januar II Januar III Januar IV

10 ANALIA DAN PEMBAHAAN Dngan mngkut Bab, brkut n akan danalsa data abl untuk mncar varabl yang domnan ada nla saham ta sktor Langkah rtama yang dlakukan adalah mnghtung ratarata data ta kolom, dan dtunjukkan dalam vktor x yatu x Dngan mnggunakan rsamaan (d) matrks kovarans daat drolh dan dtunjukkan ada abl abl Matrks kovarans () amak bahwa matrks kovarans adalah matrks smtrs Kta daat mncar nla gn sbagamana dtunjukkan ada or Ujnormaltas dan dngan mnggunakan bantuan MALAB maka nla gn adalah dangkan vktor gn untuk ta nla gn drolh brturut-turut dtunjukkan ada ta kolom ada abl dan daat dtunjukkan bahwa vktor gn trsbut salng ortonormal abl Nla Vktor gn untuk data abl u u u u u u 6 u Mnurut Bab, maka rlu ddfnskan varabl random yang dsusun brdasarkan vktor-vktor kolom dar matrks kovarans, yatu u , , , , , , 7,

11 Karna komonn rns yang trntng adalah yang rtama maka komonn rns rtama adalah Y Y dan Y j salng bbas lnar,,j =,, yatu bahwa Cov( Y, j Daat dtunjukkan bahwa Untuk slanjutnya korlas antara Y dan formula () yatu brturut-turut Y, Y, = ; s = ; s Y, = 9; s Y ) =, =,, daat dtunjukkan dngan mngkut Y, = 7 Y, = ; s s Y, = 66 Y 6 s, = 99; 7 Y s, = s Karna nla korlas varabl 7 ( rort ) dan ( rdagangan ) dkat dngan, maka varabl 7 dan sbaga varabl yang alng brngaruh trhada nla saham Hasl PCA dngan standardsas varabl Hasl PCA dngan standardsas varabl dharakan mmbrkan ksmulan yang sama tntang varabl yang dangga domnan Dngan mnggunakan rsamaan (c) data dstandardsas Drolh nla gn hngga vktor gn untuk nla gn trbsar adalah Komonn rns dngan varabl standard untuk nla gn trbsar adalah Y 79Z 96Z Z 77Z 97Z Z Z 7 66Z Kta daat mnyusun korlas antara Y dngan Z, =,, mnggunakan rsamaan (h) drolh -, -6, -, -, -67, Y,Z Y,Z Y,Z Y,Z 6-7, Y,Z 7 - dan Y,Z -96 Kta mnymulkan bahwa smua varabl mmunya makna yang sama atau tdak ada yang domnan Dar hasl n dsmulkan bahwa mnggunakan standardsas varabl tdak daat mnunjukkan domnas salah satu varabl Hal n juga dtunjukkan ada ltratur (Johnson and Wchrn, ) Pmlhan varabl dngan standarsas dlakukan bla data mmunya rbdaan yang sangat sgnfkan atauun dngan satuan yang brbda Hal n blum dsldk lbh lanjut KEIMPULAN DAN ARAN Pada makalah n tlah dtunjukkan mlhan varabl domnan dngan mnggunakan Prncal Comonnt Analyss untuk varabl Varabl trsbut adalah rtanan, ndustr dasar, anka ndustr, barang konsums, kuangan, rtambangan, rort, dan rdagangan luruh varabl duj untuk mndaatkan varabl yang domnan Drolh bahwa rort dan rdagangan adalah Y,Z Y,Z 6 676

12 varabl yang domnan yang dtunjukkan dngan varans trbsar mlalu Prncal Comonnt Analyss Analsa daat ula dlakukan dngan mnstandarsas varabl mnggunakan rsamaan (c) shngga komonn rns mruakan kombnas lnar antar varabl yang tlah dstandarsas mnurut orma 6 Drolh bahwa domnas varabl tdak daat dknal DAFAR PUAKA [] Johnson,RA, and Wchrn, DW Ald Multvarat tatstcal Analyss, 6th d Prntc Hall, IBN [] Lay, D C Lnar Algbra and Ist Alcatons, hrd Edton, Addson Wsly, - 9 [] Parhus H A, dan ska A 9 Prncal Comonnt Analyss (PCA) untuk Analss Prlakukan Pmbran Pakan dan Mnral trhada Produks usu a, Prosdng mnar Nasoanal Matmatka UNPAR, IN 97-99, Vol, halaa - [] Prssn, AL, ullvan, FE,Uhl, JJ,9 h Mathmatcs of Nonlnar Programmng, rngr-vrlag, Nw-York htt //: bankndonsa/statstc/montr/sm 677

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM. DENGAN Principal Component Analysis (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM. DENGAN Principal Component Analysis (PCA) PROPERT DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN Prncpal Component Analyss (PCA) Oleh : Hanna aa Parhusp, usp, Deva eawdyananto a dan Bernadeta Desnova Kr Program Stud Statstka

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

PENENTUAN NILAI UMUM ASURANSI MENGGUNAKAN TEORI KONTROL OPTIMUM RAFIDHA

PENENTUAN NILAI UMUM ASURANSI MENGGUNAKAN TEORI KONTROL OPTIMUM RAFIDHA PENENTUAN NILAI UMUM ASURANSI MENGGUNAKAN TEORI KONTROL OPTIMUM RAFIDHA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 9 ABSTRACT RAFIDHA. Prcng of Gnral

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

BAB X RUANG HASIL KALI DALAM

BAB X RUANG HASIL KALI DALAM BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan

Lebih terperinci

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA BAB II IMPEDANSI SUJA KAWA ANAH DAN MENAA II. UMUM Saluan tansms lbh tngg dbandngkan objk d skllngnya, kana tu saluan tansms mmlk sko bsa untuk tkna sambaan pt. Untuk mngatas hal tsbut maka saluan tansms

Lebih terperinci

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap...

Palupi, et al, Pengaruh Teknik Talking Stick terhadap Pengetahuan dan Sikap... Palu, t al, Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska... Pngaruh Tknk Talkng Stck trhada Pngtahuan dan Ska dalam Pncgahan HIV/AIDS Pada Rmaja d SMP Ngr 1 Pugr Kabuatn Jmbr (Th ffct of Talkng Stck

Lebih terperinci

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS PEMODELAN MAEMAIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANAR PANAS Mathmatcal Modlng of Hat and Mass ransfr on Fryng by Usng Sand as A Mdum for ransfrng Hat Sswantoro

Lebih terperinci

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract

METODE ELEMEN HINGGA UNTUK MASALAH SYARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF. Sutrima Jurusan matematika FMIPA UNS. Abstract JRNAL MATEMATIKA DAN KOMPTER Vol. 5. No., 4-4, Aprl, ISSN : 4-858 METODE ELEMEN INGGA NTK MASALA SARAT BATAS DARI OPERATOR DIFERENSIAL POSITIF Sutrma Jurusan matmatka FMIPA NS Abstract Th purpos of ths

Lebih terperinci

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract

Lebih terperinci

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

Gelombang Datar Lintas Medium

Gelombang Datar Lintas Medium Rvs Fbruar 00 33 Modul 4 lktromagntka Tlkomunkas Glombang Datar Lntas Mdum Olh : Nachwan Muft Adransyah, ST, MT Organsas Modul 3 Glombang Datar Lntas Mdum A. Pndahuluan B. Glombang Jatuh Normal C. Konsp

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

ANALISIS DATA KATEGORIK (STK351)

ANALISIS DATA KATEGORIK (STK351) Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat

Lebih terperinci

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

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

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN : JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,

Lebih terperinci

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw

Oleh : Harifa Hanan Yoga Aji Nugraha Gempur Safar Rika Saputri Arya Andika Dumanauw Oleh : Harfa Hanan Yoga A Nugraha Gemur Safar ka Sautr Arya Andka Dumanau Dosen : Dr.rer.nat. Ded osad, S.S., M.Sc. Program Stud Statstka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Gadah Mada

Lebih terperinci

Kritikan Terhadap Varians Sebagai Alat Ukur

Kritikan Terhadap Varians Sebagai Alat Ukur Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang

Lebih terperinci

Penerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6)

Penerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6) ISSN : 693 73 Penerapan Aljabar Matrk Dala Analsa Masukan-Keluaran Elstya Rawat 6) Abstrak Analsa asukan-keluaran bertolak dar anggapan bahwa suatu sste perekonoan terdr atas sector-sektor yang salng berkatan.

Lebih terperinci

II. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf

II. LANDASAN TEORI. digunakan sebagai landasan teori pada penelitian ini. Teori dasar mengenai graf II. LANDASAN TEORI 2.1 Konsp Dasar Graf Pada bagian ini akan dibrikan konsp dasar graf dan dimnsi partisi graf yang digunakan sbagai landasan tori pada pnlitian ini. Tori dasar mngnai graf yang akan digunakan

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN

ANALISIS TINGKAT KESEHATAN BANK PADA PD. BPR BKK KENDAL DENGAN METODE RGEC TAHUN ANALISIS TINGKAT KESEHATAN BANK PADA PD BPR BKK KENDAL DENGAN METODE RGEC TAHUN 2009 2012 NABELLA ROSALIANA Unvrstas Dan Nuswantoro Smarang E-mal: nabllarosalana@gmalcom ABSTRACT Th bankng ndustry s fnancal

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

ESTIMASI MODEL KEBUTUHAN TRANSPORTASI MENGGUNAKAN DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN

ESTIMASI MODEL KEBUTUHAN TRANSPORTASI MENGGUNAKAN DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN ESTIMASI MODEL KEBTHAN TRANSPORTASI MENGGNAKAN DATA ARS LAL LINTAS PADA KONDISI PEMILIHAN RTE KESEIMBANGAN Rusmad Suyut Staf Pngaar Jurusan Tknk S nvrstas Muhammadyah Jakarta Jn. Cmaka Puth Tngah 27, Jakarta

Lebih terperinci

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE)

APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) APLIKASI METODE STATED PREFERENCE PADA PEMILIHAN MODA ANGKUTAN UMUM PENUMPANG (RUTE MAKASSAR MAJENE) Abdul Gaus Program Studi Tknik Siil Fakultas Tknik Univrsitas Khairun Trnat Tl/Fax (091) 38049 Irnawaty

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381

Bab 1 Ruang Vektor. R. Leni Murzaini/0906577381 Bab 1 Ruang Vektor Defns Msalkan F adalah feld, yang elemen-elemennya dnyatakansebaga skalar. Ruang vektor atas F adalah hmpunan tak kosong V, yang elemen-elemennya merupakan vektor, bersama dengan dua

Lebih terperinci

Pada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P.

Pada gambar 2 merupakan luasan bidang dua dimensi telah mengalami regangan. Salah satu titik yang menjadi titik acuan adalah titik P. nurunan Kcpatan Glombang dan Glombang S Glombang sismik mrupakan gtaran yang mrambat pada mdium batuan dan mnmbus lapisan bumi. njalaran mnybabkan dformasi batuan.strss atau tkanan didfinisikan gaya prsatuan

Lebih terperinci

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari

MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuhi Tugas Matakuliah Multivariat yang dibimbing oleh Ibu Trianingsih Eni Lestari MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA) MAKALAH Untuk Memenuh Tugas Matakulah Multvarat yang dbmbng oleh Ibu Tranngsh En Lestar oleh Sherly Dw Kharsma 34839 Slva Indrayan 34844 Vvn Octana 34633 UNIVERSITAS

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES

LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES LAMPIRAN A PENURUNAN PERSAMAAN NAVIER-STOKES Hubungan n akan dawal dar gaya yang beraks pada massa fluda. Gaya-gaya n dapat dbag ke dalam gaya bod, gaya permukaan, dan gaya nersa. a. Gaya Bod Gaya bod

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

ANALISIS KOMPONEN UTAMA

ANALISIS KOMPONEN UTAMA ANALISIS KOMPONEN UTAMA Dajukan Untuk Memenuh Salah Satu Tugas Mata Kulah Analss Multvarat Dsusun oleh: Novtr Smanjuntak (05583) Dw Melan P. (05559) Nurul Kurnawat (0448) Dena Rahayu (0555) Naom Nessyana

Lebih terperinci

ANALISIS KOVARIANSI bagian 2..

ANALISIS KOVARIANSI bagian 2.. ANALISIS KOVARIANSI bagan Uj Efek Perlakuan... v. H H F 1 0 5% StatstkaUj: raso : 0, : 0,, DK : RK RK H 0 P S (adj) (adj) 1,, t dtolak jka F raso F α,t1,t(r1) 1 Ingat model anakova 1 faktor 1 kovarat :

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

={0, 1, 2, 3} di bawah operasi penjumlahan modulo 4, dapat ditunjukkan sebagai berikut: 0+1 1(mod 4) III PEMBAHASAN

={0, 1, 2, 3} di bawah operasi penjumlahan modulo 4, dapat ditunjukkan sebagai berikut: 0+1 1(mod 4) III PEMBAHASAN 6 Torma 6 Hmunan blanan bulat modulo n dbawah oras njumlahan modulo n adalah ru sklk. (Fralh, 997) Contoh Hmunan Z 4 ={0,, 2, } d bawah oras njumlahan modulo 4, daat dtunjukkan sbaa brkut: 0+ (mod 4) +

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Pada bab n akan duakan bbapa konsp dan mtod yang mnjad dasa pnulsan tugas akh n. Bbapa konsp dan mtod tsbut alah pnclan, tata caa mndtks pnclan, mtod OLS, mnntukan ata-ata kuadat tkcl

Lebih terperinci

81 Bab 6 Ruang Hasilkali Dalam

81 Bab 6 Ruang Hasilkali Dalam 8 Bab Rang Haslkal Dalam Bab RUANG HASIL KALI DALAM Rang hasl kal dalam merpakan rang ektor yang dlengkap dengan operas hasl kal dalam. Sepert halnya rang ektor rang haslkal dalam bermanfaat dalam beberapa

Lebih terperinci

BIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT

BIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT Bplot (DahSaftr) BIPLOT UNTUK MENGETAHUI KARAKTERISTIK KABUPATEN/KOTA DI JAWA TENGAH BERDASARKAN PRODUKSI BAWANG PUTIH, BAWANG MERAH, CABE BESAR DAN CABE RAWIT Dah Saftr 1, Supart 2, Est Pratw 3, Tyas

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

Bab 1 PENDAHULUAN Latar Belakang

Bab 1 PENDAHULUAN Latar Belakang 11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa

Lebih terperinci

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d

Lebih terperinci

JMP : Volume 5 Nomor 1, Juni 2013, hal SPEKTRUM PADA GRAF REGULER KUAT

JMP : Volume 5 Nomor 1, Juni 2013, hal SPEKTRUM PADA GRAF REGULER KUAT JMP : Volume 5 Nomor, Jun 03, hal. 3 - SPEKTRUM PD GRF REGULER KUT Rzk Mulyan, Tryan dan Nken Larasat Program Stud Matematka, Fakultas Sans dan Teknk Unerstas Jenderal Soedrman Emal : rzky90@gmal.com BSTRCT.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,

Lebih terperinci

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang

Teori Himpunan. Modul 1 PENDAHULUAN. impunan sebagai koleksi (pengelompokan) dari objek-objek yang Modul 1 Teor Hmpunan PENDAHULUAN Prof SM Nababan, PhD Drs Warsto, MPd mpunan sebaga koleks (pengelompokan) dar objek-objek yang H dnyatakan dengan jelas, banyak dgunakan dan djumpa dberbaga bdang bukan

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS

ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS ANALISIS PEUBAH GANDA (MULTIVARIATE ANALYSIS Pengantar Analss Peubah Ganda Dr.Ir. I Made Sumertajaya, MS Deartemen Statstka-FMIPA IPB Emal : kulah_ag@yahoo.com Password: akmade Mater APG No I II III IV

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

ALJABAR LINIER LANJUT

ALJABAR LINIER LANJUT ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5

Lebih terperinci

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag

BAB IV APLIKASI. Pada bagian ini akan dibahas bagaimana contoh mengestimasi. parameter model yang diasumsikan memiliki karateristik spasial lag BAB IV APLIKASI Pada bagan n akan dbahas bagamana contoh mengestmas parameter model yang dasumskan memlk karaterstk spasal lag sekalgus spasal error. Estmas dlakukan dengan menggunakan software Evews 3

Lebih terperinci

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1 Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 ENDAHULUAN 1.1 Latar Belakang Manusa dlahrkan ke duna dengan ms menjalankan kehdupannya sesua dengan kodrat Illah yakn tumbuh dan berkembang. Untuk tumbuh dan berkembang, berart setap nsan harus

Lebih terperinci

PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI

PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI Volum 21, No 2, Dcmbr 2017 (153-161) Onln: http://journal.uny.ac.d/ndx.php/jpp PENGEMBANGAN TES ILMU PENGETAHUAN ALAM TERKOMPUTERISASI Unvrstas Vtran Bangun Nusantara Sukoharjo suwartowarto@yahoo.com,

Lebih terperinci

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi BAB III FUNGSI MAYOR DAN MINOR Pada bab n akan dbahas konsep-konsep dasar dar fungs mayor dan fungs mnor dar suatu fungs yang terdefns pada suatu nterval tertutup. Pendefnsan fungs mayor dan mnor tersebut

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu 4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013

Lebih terperinci

ANALISIS KOVARIANSI part 2

ANALISIS KOVARIANSI part 2 ANALISIS KOVARIANSI part Analss Kovarans merupakan suatu analss statstka untuk mengetahu pengaruh satu atau lebh varabel bebas terhadap varable terkat dengan memperhatkan satu atau lebh varable konkomtan

Lebih terperinci

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi )

APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Studi Kasus di PT. Sinar Terang Abadi ) APLIKASI FUZZY LINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PRODUKSI LAMPU (Stud Kasus d PT. Snar Terang Abad ) Bagus Suryo Ad Utomo 1203 109 001 Dosen Pembmbng: Drs. I Gst Ngr Ra Usadha, M.S Jurusan Matematka

Lebih terperinci

Uji Homogenitas Varians

Uji Homogenitas Varians Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

Lebih terperinci

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA A-3 Dan Aresta Yuwanngsh 1 1 Mahasswa S Matematka UGM dan.aresta17@yahoo.com Abstrak Dberkan R merupakan rng dengan elemen satuan, M R-modul kanan, dan R S End

Lebih terperinci

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK

SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums

Lebih terperinci

PENDUGAAN RASIO, BEDA DAN REGRESI

PENDUGAAN RASIO, BEDA DAN REGRESI TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka

Lebih terperinci

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD

LISTRIK STATIS - HUKUM COULOMB Oleh Suparno, PhD LISTRIK STATIS - HUKUM COULOMB Olh Supano, PhD Sfat-sfat Muatan Bla sbuah ss dgosok-gosokkan pada ambut, lalu ddkatkan kpada sphan ktas kcl-kcl, maka sphan ktas tu akan ttak dan mlkat pada ss. Pstwa n

Lebih terperinci

III. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan.

III. METODE PENELITIAN. bersifat statistik dengan tujuan menguji hipotesis yang telah ditetapkan. 3 III. METDE PENELITIAN A. Metode Peneltan Metode peneltan merupakan langkah atau aturan yang dgunakan dalam melaksanakan peneltan. Metode pada peneltan n bersfat kuanttatf yatu metode peneltan yang dgunakan

Lebih terperinci

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD

SUMBER BELAJAR PENUNJANG PLPG 2016 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD SUMBER BELAJAR PENUNJANG PLPG 0 MATA PELAJARAN/PAKET KEAHLIAN GURU KELAS SD BAB V STATISTIKA Dra.Hj.Rosdah Salam, M.Pd. Dra. Nurfazah, M.Hum. Drs. Latr S, S.Pd., M.Pd. Prof.Dr.H. Pattabundu, M.Ed. Wdya

Lebih terperinci

BEBERAPA TIPE PERKUATAN TANAH UNTUK MENGATASI SLIDING TIMBUNAN DI ATAS TANAH LUNAK

BEBERAPA TIPE PERKUATAN TANAH UNTUK MENGATASI SLIDING TIMBUNAN DI ATAS TANAH LUNAK Konfrns Nasonal knk Sl 3 (KoNkS 3) Jakarta, 6 7 M 2009 BEBERAPA IPE PERKUAAN ANAH UNUK MENGAASI SLIDING IMBUNAN DI AAS ANAH LUNAK Hlmy Darjanto 1, Djoko Soryono 2 dan Achmad Wcaksono, As ad Munawr 3 1

Lebih terperinci

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL)

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) 1. Konse Dasar Sngle Index Model. Forula SIM untuk Sekurtas 3. SIM untuk Sekurtas Tunggal 4. SIM untuk Portofolo 5. Portofolo Otal Berdasarkan SIM Munya Alteza

Lebih terperinci

SEARAH (DC) Rangkaian Arus Searah (DC) 7

SEARAH (DC) Rangkaian Arus Searah (DC) 7 ANGKAAN AUS SEAAH (DC). Arus Searah (DC) Pada rangkaan DC hanya melbatkan arus dan tegangan searah, yatu arus dan tegangan yang tdak berubah terhadap waktu. Elemen pada rangkaan DC melput: ) batera ) hambatan

Lebih terperinci

MENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK

MENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK Nelson ulstono Teknk Mesn Unverstas Islam Malang 015 MENGANALIA GANGGUAN PADA 331 WEIGHT FEEDER UNTUK MENINGKATKAN PRODUKI DI PT. EMEN GREIK (PERERO).Tbk PABRIK TUBAN Nelson ulstono, Teknk Mesn, Fakultas

Lebih terperinci

BILANGAN RAMSEY SISI DARI r ( P, )

BILANGAN RAMSEY SISI DARI r ( P, ) Charul Imron dan dy Tr Baskoro, Blangan Ramsey Ss BILANGAN RAMSY SISI DARI r ( P, ) (Ramsey Number from the Sde r ( P, ) ) Charul Imron dan dy Tr Baskoro Jurusan Matemátca, FMIPA ITS Surabaya mron-ts@matematka.ts.ac.d

Lebih terperinci