BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN"

Transkripsi

1 BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu suau eni yang daa menransformasi variabel-variabel ersebu sehingga menjadi variabel-variabel baru yang jumlahnya jauh lebih sedii namun masih daa mereresenasian variabel-variabel asli. Salah sau eni yang daa digunaan dalam hal ersebu adalah analisis faor. Dalam analisis faor erdaa beberaa meode yang elah diembangan unu menenuan aau mengelomoan variabel dan menasir arameer dari analisis faor. Meodemeode ersebu adalah meode omonen uama, meode masimum lielihood, meode analisis image, meode analisis anoni, meode analisis faor alha, meode minres, dan meode emfaoran sumbu uama. Pada dasarnya model faor dimoivasi oleh ernyaaan erdaa seelomo variabel yang disebu variabel asli, variabel iu daa dielomoan dengan rieria variabel-variabel yang memilii orelasi yang inggi dan dielomoan dalam suau gru, semenara variabelvariabel dalam elomo yang berbeda orelasinya ecil. Dari seian banya meode enasiran arameer yang elah ersedia dalam maalah ini aan dibahas enasiran arameer dengan menggunaan meode masimum lielihood. Meode masimum lielihood harus memenuhi asumsi enormalan. Meode ini digunaan arena daa menghasilan nilai asiran arameer yang cuu bai.. TUJUAN Unu mengaji meode yang digunaan dalam saisia mulivaria hususnya dalam analisis faor sera menguasai eni analisis saisi yang daa diimlemenasian dalam banya eraan eneliian.

2 .3 RUMUSAN MASAAH. Bagaiman benu model faor Orohogonal.. Bagaimana memilih banyanya m faor umum yang ea dan sesuain dengan daa asus. 3. Bagaimana menasir arameer-arameer dalam analisis faor dengan menggunaan meode masimum lielihood 4. Bagaimana menginerresasian hasil-hasil enasiran 5. Bagaimana menggunaan.4 BATASAN MASAAH. Mengeahui benu model faor orhogonal. Meode yang digunaan adalah meode masimum lielihood 3. model faor yang digunaan adalah model faor orogonal 4. roasi vaor yang digunaan adalah roasi varimax

3 BAB II ANDASAN TEORI. VEKTOR DAN MATRIKS.. VEKTOR Definisi : Susunan bilangan real x, x,, x n sebanya n omonen disebu vecor diulis x x x = M x n aau x [ x x x ] = K. n Definisi : x y x Veor x = y aan sama dengan vecor y = jia dan hanya jia x M i = yi, unu M xn yn seia i =,,..., n. Definisi 3: Jumlah dua veor x dan y yang beruuran sama adalah z = x + y, dengan z i = x i + y i, unu seia i =,,..., n. Definisi 4: x x Panjang dari veor x = adalah M xn Definisi 5: x = x + x xn = x. Sebuah veor y diaaan ombinasi linear dari veor-veor x, x,...,x jia veor ersebu daa diulis dalam benu y=a x +a x +...+a x, dimana a,a,...,a adalah salar.

4 .. MATRIKS Definisi : Maris adalah susunan segi ema siu-siu dari bilangan-bilangan. Bilangan-bilangan ersebu dinamaan enri. Sebuah maris A dengan baris dan n olom yang dinoasian A ( x) a a K an a a a K n = ; x n dinamaan uuran maris, dan a,a,a n enri-enri ada M M O M a a K an diagonal uama. Jia n= maa maris A disebu veor(veor olom) Jia =n maa maris A disebu maris ersegi. Definisi : Transos maris A adalah erama ada A menjadi baris erama ada seerusnya. Dengan sifa: ( A ) ( A + B) = A + B ( AB) Definisi 3: = A = B A A dengan mengubah olom menjadi baris sehingga olom A, olom edua menjadi baris edua, Jia A dan B maris dengan uuran sama maa jumlah A+B adalah maris yang dieroleh dengan menambahan bersama-sama enri yang bersesuaian dalam edua maris ersebu. Definisi 4: Jia A maris dan c salar, maa hasil ali (roduc) ca adalah maris yang dieroleh dengan mengalian masing-msing enri dari A oleh c. Definisi 5: Jia A maris m x r dan B maris r x n, maa hasil ali AB adalah maris m x n yang enri-enrinya dienuan sebagai beriu: dan

5 Unu mencari enri dalam baris i dan olom j dari AB, ilihlah baris i maris A dan olom j dari maris B. Kalianlah enri-enri yang bersesuaian dari baris dan olom ersebu bersama-sama dabn emudian ambahan hasil ali yang dieroleh. Definisi 6: Maris uadra (maris dengan n baris dan n olom) diaaan simeris jia A = A aau a ij =a ij unu seia i dan j. Teorema.: Misalan I maris uadra beruuran sama. I memilii bilangan ada diagonal uama dan bilangan 0 unu enri-enri lainnya sehingga IA=AI=A, maa dalam hal ini I disebu maris idenias. Definisi 7: Jia A maris uadra, dan jia daa dicari maris B sehingga AB = BA = I, maa A diaaan daa dibali(inverible) dan B dinamaan invers(inverse) dari A dinoasian B= Definisi 8: jia A. Misalan X adalah suau maris ersegi. Maris X disebu orogonal jia dan hanya XX = XX = I Dimana baris-barisnya (diandang sebagai vecor) saling ega lurus dan memunyai anjang yaiu XX = I. Maris orogonal yang memunyai anjang disebu maris oronormal. Definisi 9: Deerminan maris ersegi X { xij} X = x ; jia = x j + j X ( ) ; jia > = + = diberi noasi X adalah suau salar. Diman X ij adalah maris beruuran (-) x (-) yang dieroleh dari maris X dengan menghilangan baris e- dan olom e-j. Definisi 0:

6 Jia A adalah maris n x n, maa veor a nol x didalam R n dinamaan veor eigen (eigenveor) dari A jia A x adalah eliaan salar dari x ; yani, Ax = λ x Unu suau salar λ. Salar λ dinamaan nilai eigen (eigenvalue) dari A dan x diaaan vecor eigen yang bersesuaian dengan λ. Sehingga de( λ I - A) = 0. Definisi : Misalan A maris simeri dan [,,..., ] x Ax > 0 unu seia x 0. Teorema.: osiif. Definisi : x x x x n = disebu defini osiif jia Maris simeri A adalah defini osiif jia dan hanya jia semua nilai eigen A adalah Misalan A = { a ij } maris uadra dengan uuran x. Trace maris A, diulis r(a), adalah jumlah dari elemen diagonal uama, sehingga Definisi 3: r( A) = ii. Deomosisi seral dari maris X beruuran x diulis sebagai: X = λ e e + λ e e + + λ e e... Dimana λ, λ,..., λ adalah nilai eigen dari maris X dan e,e,...,e meruaan veor eigen yang elah dibauan, yaiu e,e i =, i =,,, dan e,e j = 0 unu i j. Definisi 4: Misalan A x adalah maris defini osiif dengan benu deomosisi seral A = λ e e dan E sebuah maris oronormal yang juga meruaan veor dengan elemen- i i i elemennya e,e,...,e, maa x = λi ix i = x xλx x A e e E E Dimana EE = E E = I dan Λ adalah maris diagonal yang beranggoaan λ, λ,..., λ dengan λ i 0. selanjunya Λ ½ adalah maris diagonal dengan λ i sebagai elemen diagonal e-i.

7 Sehingga dieroleh ersamaan / = λi i i = / Λ A e e E E Dimana A ½ meruaan maris aar uadra dari maris A.. VEKTOR RANDOM DAN MATRIKS RANDOM Veor random adalah veor yang elemen-elemennya berua variabel random, sedangan maris random adalah maris yang elemen-elemennya meruaan variabel random. Definisi : Misalan X = { x ij } maris orde (xn) adalah maris random, maa eseasi dari X diulis E[X] maris orde (xn). E[ X] E[ X] E[ X n] E[ X ] E[ X ] E[ X n] E[ X ] = M M O M E[ X ] E[ X ] E[ X ].3 VEKTOR RATA-RATA, MATRIKS VARIANSI KOVARIANS DAN MATRIKS KOREASI Maris random X={ x j } unu seia i =,,, orde (x) meruaan vecor random, raa-raa dari veor random X adalah E[ X] µ E[ X ] µ E[ X ] = = = µ M M E[ X ] µ dan variansi ovariansi dari vecor X adalah

8 = E[ X ][ X ] X X = E X X X M X µ µ µ ( X ) ( X )( X ) ( X )( X ) ( X )( X ) ( X ) ( X )( X ) = E M M O M ( X )( X ) ( X )( X ) ( X ) = M M O M Karena i = i unu seia i =,,, dan =,,, maa i =, sehingga = M M O M sehingga = M M O M 0 0 jia X,X,,X saling bebas maa ovariansi i = 0 Uuran eeraan anara variable random X dengan X adalah oefisien orelasi oulasi ρ i yang didefinisian dengan Dimana: i : ovariansi, : variansi ii Teorema.3: ρ i = ii i

9 Misalan X, X,,X n adalah samle random dari suau disribusi bersama dengan veor raa-raa µ dan maris variansi ovariansi. Maa. X meruaan enasir a bias unu µ, dan maris variansi ovariansi dari X adalah n, yaiu E[ X ] = µ dan Cov( X ) = n. n S = ( X j X )( X j X ) adalah enasir abias dari maris variansi ovarinsi yaiu n E[S] =.

Bab III Komentar terhadap distribusi vec(r)

Bab III Komentar terhadap distribusi vec(r) Bab III Komenar erhada disribusi vec(r Bab ini mengeengahkan enang komenar erhada disribusi asimoik dari mariks korelasi R, dalam benuk vec(r, yang akan menjadi salah sau dasar dalam eneliian diserasi

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 robabilias 2.1.1 Definisi robabilias adalah kemungkinan yang daa erjadi dalam suau erisiwa erenu. Definisi robabilias daa diliha dari iga macam endekaan, yaiu endekaan klasik,

Lebih terperinci

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI 4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur

Lebih terperinci

BAB IV SIMULASI MODEL

BAB IV SIMULASI MODEL 21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian

Lebih terperinci

Peramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral

Peramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral JURAL TEKK POMTS Peramalan Jumlah Wisaawan Di Agrowisaa Kusuma Bau Menggunaan Meode Analisis Seral iswaul Maghfiroh, uri Wahyuningsih, Sri Surai Haraiai Jurusan Maemaia, Faulas MPA, nsiu Tenologi Seuluh

Lebih terperinci

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas

Lebih terperinci

MUH1G3/ MATRIKS DAN RUANG VEKTOR

MUH1G3/ MATRIKS DAN RUANG VEKTOR MUHG/ MATRIKS DAN RUANG VEKTOR TIM DOSEN 8 VEKTOR DAN NILAI EIGEN /5/7 9.9 Beberapa Aplikasi Ruang Eigen Uji Kesabilan dalam sisem dinamik Opimasi dengan SVD pada pengolahan Cira Sisem Transmisi dan lain-lain.

Lebih terperinci

Distribusi Normal Multivariat

Distribusi Normal Multivariat Vol.4, No., 43-48, Januari 08 Disribusi Normal Mulivaria Husy Serviana Husain Absrak Pada engendalian roses univaria berdasarkan variabel, biasanya digunakan model disribusi normal unuk mengamai kualias

Lebih terperinci

Aljabar Linear Elementer

Aljabar Linear Elementer Silabus : Aljabar Linear Elemener MA SKS Bab I Mariks dan Operasinya Bab II Deerminan Mariks Bab III Sisem Persamaan Linear Bab IV Vekor di Bidang dan di Ruang Bab V Ruang Vekor Bab VI Ruang Hasil Kali

Lebih terperinci

BAB IV NILAI EIGEN DAN VEKTOR EIGEN. Bab ini membahas suatu vektor tidak nol x dan skalar l yang mempunyai

BAB IV NILAI EIGEN DAN VEKTOR EIGEN. Bab ini membahas suatu vektor tidak nol x dan skalar l yang mempunyai BAB IV NILAI EIGEN DAN VEKTOR EIGEN Bab ini membahas suau vekor idak nol dan skalar l yang mempunyai hubungan erenu dengan suau mariks A. Hubungan ersebu dinyaakan dalam benuk A λ. Bagaimana kia memperoleh

Lebih terperinci

BAB 7 NILAI EIGEN DAN VEKTOR EIGEN. Dr. Ir. Abdul Wahid Surhim, MT.

BAB 7 NILAI EIGEN DAN VEKTOR EIGEN. Dr. Ir. Abdul Wahid Surhim, MT. BAB 7 NILAI EIGEN DAN VEKTOR EIGEN Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Nilai Eigen dan Vekor Eigen. Diagonalisasi. Diagonalisasi secara Orogonal 7. NILAI EIGEN DAN VEKTOR EIGEN Definisi

Lebih terperinci

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

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

Lebih terperinci

Aplikasi diagonalisasi matriks pada rantai Markov

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

Lebih terperinci

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012 InfiniyJurnal Ilmiah Program Sudi Maemaia STKIP Siliwangi Bandung, Vol 1, No.2, Sepember 2012 GRUP PERMUTASI SIKLIS DALAM PERMAINAN SUIT Oleh: Bagus Ardi Sapuro Jurusan Pendidian Maemaia, IKIP PGRI Semarang

Lebih terperinci

RANK DARI MATRIKS ATAS RING

RANK DARI MATRIKS ATAS RING Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias

Lebih terperinci

( ) r( t) 0 : tingkat pertumbuhan populasi x

( ) r( t) 0 : tingkat pertumbuhan populasi x III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan

Lebih terperinci

Prediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method

Prediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri

Lebih terperinci

PENDAHULUAN LANDASAN TEORI

PENDAHULUAN LANDASAN TEORI PEDAHULUA Laar Belakang Menduga dan meramal sae yang idak bisa diamai secara langsung dari suau kejadian ekonomi adalah ening Pemerinah melalui bank senral dan ara regulaor daa menggunakan informasi enang

Lebih terperinci

ANALISIS KORELASI KANONIK PADA PERILAKU KESEHATAN DAN KARAKTERISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH ABSTRACT

ANALISIS KORELASI KANONIK PADA PERILAKU KESEHATAN DAN KARAKTERISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH ABSTRACT ANALISIS KOELASI KANONIK PADA PEILAKU KESEHATAN DAN KAAKTEISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH Diah Sairi, Paramia Indrasari Program Sudi Saisia FMIPA UNDIP Alumni Program Sudi Saisia FMIPA UNDIP

Lebih terperinci

Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali

Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia,

Lebih terperinci

Drs. H. Karso, M.M.Pd. Modul 11 NILAI EIGEN, VEKTOR EIGEN DAN DIAGONALISASI METRIKS

Drs. H. Karso, M.M.Pd. Modul 11 NILAI EIGEN, VEKTOR EIGEN DAN DIAGONALISASI METRIKS Drs. H. Karso, M.M.Pd. Modul NILAI EIGEN, VEKTOR EIGEN DAN DIAGONALISASI METRIKS Pendahuluan Modul yang ke- dari maa kuliah Aljabar Linear ini akan mendiskusikan beberapa konsep yang berguna bagi kia sebagai

Lebih terperinci

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

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

Lebih terperinci

Mahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak

Mahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa

Lebih terperinci

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian

Lebih terperinci

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

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

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 39 III. METODE PENELITIAN 3.1 Waku dan Meode Peneliian Pada bab sebelumnya elah dibahas bahwa cadangan adalah sejumlah uang yang harus disediakan oleh pihak perusahaan asuransi dalam waku peranggungan

Lebih terperinci

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

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

Lebih terperinci

BAB IV METODE BELAJAR HEBBIAN

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

Lebih terperinci

KINETIKA REAKSI HOMOGEN SISTEM BATCH

KINETIKA REAKSI HOMOGEN SISTEM BATCH KINETIK REKSI HOMOGEN SISTEM BTH SISTEM REKTOR BTH OLUME TETP REKSI SEDERHN (SERH/IREERSIBEL Beberapa sisem reasi sederhana yang disajian di sini: Reasi ireversibel unimoleuler berorde-sau Reasi ireversibel

Lebih terperinci

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

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode

Lebih terperinci

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih terperinci

LIMIT FUNGSI. 0,9 2,9 0,95 2,95 0,99 2,99 1 Tidak terdefinisi 1,01 3,01 1,05 3,05 1,1 3,1 Gambar 1

LIMIT FUNGSI. 0,9 2,9 0,95 2,95 0,99 2,99 1 Tidak terdefinisi 1,01 3,01 1,05 3,05 1,1 3,1 Gambar 1 LIMIT FUNGSI. Limi f unuk c Tinjau sebuah fungsi f, apakah fungsi f ersebu sama dengan fungsi g -? Daerah asal dari fungsi g adalah semua bilangan real, sedangkan daerah asal fungsi f adalah bilangan real

Lebih terperinci

Bab 5 BEBERAPA HUBUNGAN DASAR DALAM FISIKA

Bab 5 BEBERAPA HUBUNGAN DASAR DALAM FISIKA Bab 5 BEBERAPA HUBUNGAN DASAR DALAM FISIKA 5. Pendahuluan Keia memodelan sisem fisis, ia enu harus mulai dengan pengeahuan mengenai fisia. Dalam bab ini ia aan merangum hubungan hubungan paling umum dalam

Lebih terperinci

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa

BAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan

Lebih terperinci

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

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

Lebih terperinci

Volume 1, Nomor 1, Juni 2007 ISSN

Volume 1, Nomor 1, Juni 2007 ISSN Volume, Nomor, Juni 7 ISSN 978-77 Barekeng, Juni 7 hal6-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variance Mulivaria Analysis for Experimen wih Complee Random

Lebih terperinci

PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK

PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas

Lebih terperinci

B a b 1 I s y a r a t

B a b 1 I s y a r a t TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.

Lebih terperinci

Penerapan Diagram Kontrol Mewma dan Mewmv Pada Pengendalian Kualitas Air Produksi Di Ipam Ngagel I

Penerapan Diagram Kontrol Mewma dan Mewmv Pada Pengendalian Kualitas Air Produksi Di Ipam Ngagel I JURNAL SAINS DAN SENI POMIS Vol., No., () 7-5 (-98X Prin) D- Peneraan Diagram Konrol Mewma dan Mewmv Pada Pengendalian Kualias Air Produksi Di Iam Ngagel I Johana Diannia Jayani dan Wibawai Jurusan Saisika,

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan BAB II LANDASAN TEORI Pada bab ini akan dibahas dasar-dasar eori yang akan digunakan dalam penulisan skripsi ini, yaiu model regresi dua level, meode penaksiran maximum likelihood, mariks parisi, kronecker

Lebih terperinci

Sub Kompetensi. satuan sintetik berdasarkan ketersediaan data karakteristik DAS

Sub Kompetensi. satuan sintetik berdasarkan ketersediaan data karakteristik DAS REKAYASA HIDROLOGI II HIDROGRAF SATUAN SINTETIK Sub Komeensi Mamu menghiung hidrograf Mamu menghiung hidrograf sauan sineik berdasarkan keersediaan daa karakerisik DAS 1 * H S * S Hidrograf Sauan Sineik

Lebih terperinci

Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN

Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN Jurnal EKPOEIAL Volume 5, omor, opember 4 I 85-789 Pemodelan Dan Peramalan Indes Harga Perdagangan Besar (IHPB) Dengan Menggunaan ARFIMA (udi Kasus : IHPB Provinsi Kalimanan Timur bulan Januari Desember

Lebih terperinci

PERBANDINGAN METODE CAMPBELL DUDEK AND SMITH (CDS) DAN PALMER DALAM MEMINIMASI TOTAL WAKTU PENYELESAIAN Studi Kasus : Astra Konveksi Pontianak

PERBANDINGAN METODE CAMPBELL DUDEK AND SMITH (CDS) DAN PALMER DALAM MEMINIMASI TOTAL WAKTU PENYELESAIAN Studi Kasus : Astra Konveksi Pontianak Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 04, No. 3 (2015), hal 181 190. PERBANDINGAN METODE CAMPBELL DUDEK AND SMITH (CDS) DAN PALMER DALAM MEMINIMASI TOTAL WAKTU PENYELESAIAN Sudi Kasus

Lebih terperinci

3. Sebaran Peluang Diskrit

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

Lebih terperinci

BAB IV Solusi Numerik

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

Lebih terperinci

PENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI

PENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI A. Matriks 1. Pengertian Matriks Definisi II.A.1 Matriks didefinisikan sebagai susunan persegi panjang dari bilangan-bilangan yang diatur dalam baris dan kolom. Contoh II.A.1: 9 5

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

METODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON

METODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON Uomo, R. B. Jurnal Pendidian Maemaia STKIP Garu METODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON DALAM PEMECAHAN MASALAH OPTIMISASI TANPA KENDALA INDUCTED NEWTON STEEPEST DESCENT AS A NUMERICAL METHOD

Lebih terperinci

MODUL 7 APLIKASI TRANFORMASI LAPLACE

MODUL 7 APLIKASI TRANFORMASI LAPLACE MODUL 7 APLIKASI TRAFORMASI LAPLACE Tranformai Laplace dapa digunaan unu menyeleaian bai peroalan analia maupun perancangan iem. Apliai Tranformai Laplace erebu berganung pada ifa-ifa ranformai Laplace,

Lebih terperinci

Y = + x + x x + e, e N(0, ), Residual e=y -Yˆ

Y = + x + x x + e, e N(0, ), Residual e=y -Yˆ Yogyaarta, 26 Noember 206 ISSN : 979 9X eissn : 25 528X ANALISIS PSEUDOINVERS DAN APLIKASINYA PADA REGRESI LINEAR BERGANDA Kris Suryowati Program Studi Statistia, Faultas Sains erapan, Institut Sains dan

Lebih terperinci

V dinamakan ruang vektor jika terpenuhi aksioma : 1. V tertutup terhadap operasi penjumlahan

V dinamakan ruang vektor jika terpenuhi aksioma : 1. V tertutup terhadap operasi penjumlahan RUANG VEKTOR Rang Vetor Umm Misalan dan, l Riil V dinamaan rang vetor jia terpenhi asioma :. V terttp terhadap operasi penjmlahan.., Unt setiap v v v, w V, v V v w v w maa v V. Terdapat V sehingga nt setiap

Lebih terperinci

Aljabar Linear Elementer

Aljabar Linear Elementer Aljabar Linear Elementer MA SKS Silabs : Bab I Matris dan Operasinya Bab II Determinan Matris Bab III Sistem Persamaan Linear Bab IV Vetor di Bidang dan di Rang Bab V Rang Vetor Bab VI Rang Hasil Kali

Lebih terperinci

tidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama

tidak mempunyai fixed mode terdesentralisasi, dapat dilakukan dengan memberikan kompensator terdesentralisasi. Fixed mode terdesentralisasi pertama BB IV PENGENDLIN TERDESENTRLISSI Untu menstabilan sistem yang tida stabil, dengan syarat sistem tersebut tida mempunyai fixed mode terdesentralisasi, dapat dilauan dengan memberian ompensator terdesentralisasi.

Lebih terperinci

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

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

Lebih terperinci

Optimasi Filter Kalman dengan Metode Steepest Descent dan Least Mean Square pada Rekonstruksi Citra Dinamis

Optimasi Filter Kalman dengan Metode Steepest Descent dan Least Mean Square pada Rekonstruksi Citra Dinamis Proceeding of NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 January 9-30, 007, Faculy of Compuer Science, Universiy of Indonesia Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square

Lebih terperinci

BAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel

BAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah

Lebih terperinci

RINGKASAN SKRIPSI MODUL PERKALIAN

RINGKASAN SKRIPSI MODUL PERKALIAN RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN

Lebih terperinci

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) Gumgum Darmawan Saf Pengajar Jurusan Saisia FMIPA UNPAD e-mail : gumsa_973@yahoo.com ABSTRAK Paa maalah ini aan i

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein

BAB 2 TINJAUAN TEORITIS. dari bahasa Yunani yang berarti Demos adalah rakyat atau penduduk,dan Grafein BAB 2 TINJAUAN TEORITIS 2.1 Pengerian Demografi Keadaan penduduk sanga era kaiannya dengan demografi. Kaa demografi berasal dari bahasa Yunani yang berari Demos adalah rakya aau penduduk,dan Grafein adalah

Lebih terperinci

BAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan

BAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi

Lebih terperinci

MENENTUKAN MATRIKS PELUANG TRANSISI UNTUK WAKTU OKUPANSI MENGGUNAKAN TRANSFORMASI LAPLACE DAN MATRIKS EKSPONENSIAL

MENENTUKAN MATRIKS PELUANG TRANSISI UNTUK WAKTU OKUPANSI MENGGUNAKAN TRANSFORMASI LAPLACE DAN MATRIKS EKSPONENSIAL Menenukan (Sudarno) MENENTUKAN MATRIKS PELUANG TRANSISI UNTUK WAKTU OKUPANSI MENGGUNAKAN TRANSFORMASI LAPLACE DAN MATRIKS EKSPONENSIAL Sudarno Jurusan Saisika FSM UNDIP Email: dsghani@gmailcom Absrac The

Lebih terperinci

x 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.

x 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr. Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.

Lebih terperinci

PENENTUAN MODEL INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN ANALISIS FUNGSI TRANSFER

PENENTUAN MODEL INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN ANALISIS FUNGSI TRANSFER Jurnal Jurnal Muara Sains, Teknologi, Kedokeran, dan Ilmu Kesehaan Vol., No., Okober 07: hlm 97-07 ISSN 579-640 (Versi Ceak) ISSN-L 579-640 (Versi Elekronik) PENENTUAN MODEL INDEKS HARGA SAHAM GAUNGAN

Lebih terperinci

PENENTUAN MODEL INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN ANALISIS FUNGSI TRANSFER

PENENTUAN MODEL INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN ANALISIS FUNGSI TRANSFER Sains, Teknologi, Kedokeran, dan Ilmu Kesehaan Vol., No., Aril 07: hlm 8-8 ISSN 579-640 (Versi Ceak) ISSN-L 579-640 (Versi Elekronik) PENENTUAN MODEL INDEKS HARGA SAHAM GAUNGAN (IHSG) MENGGUNAKAN ANALISIS

Lebih terperinci

BAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang

BAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang BAB I PENDAHULUAN 1.1 Laar Belakang Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang kegiaan uamanya menerima simpanan giro, abungan dan deposio. Kemudian bank juga dikenal sebagai

Lebih terperinci

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.

Lebih terperinci

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial

Lebih terperinci

Analisis Model dan Contoh Numerik

Analisis Model dan Contoh Numerik Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.

Lebih terperinci

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

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

Lebih terperinci

Penyelesaian Persamaan Diferensial Hill Dengan Menggunakan Teori Floquet

Penyelesaian Persamaan Diferensial Hill Dengan Menggunakan Teori Floquet JURNAL FOURIER Okober 6, Vol. 5, No., 67-8 ISSN 5-763X; E-ISSN 54-539 Penyelesaian Persamaan Diferensial Hill Dengan Menggunakan eori Floque Syarifah Inayai Program Sudi Maemaika, Fakulas Maemaika dan

Lebih terperinci

3.1 TEOREMA DASAR ARITMATIKA

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

Lebih terperinci

TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Vertical Transmission For Rice Price In Lampung Province)

TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Vertical Transmission For Rice Price In Lampung Province) Transmisi Verial Harga Beras... (Reni L., D.H. Darwano dan Jangung H. M.) 85 TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Verical Transmission For Rice Price In Lampung Province) Oleh : Reno Lanarsih

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan

Lebih terperinci

NILAI EIGEN DAN VEKTOR EIGEN disebut vektor eigen dari matriks A =

NILAI EIGEN DAN VEKTOR EIGEN disebut vektor eigen dari matriks A = NILAI EIGEN DAN VEKTOR EIGEN >> DEFINISI NILAI EIGEN DAN VEKTOR EIGEN Jika A adalah sebuah matriks n n, maka sebuah vektor taknol x pada R n disebut vektor eigen (vektor karakteristik) dari A jika Ax adalah

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang

Lebih terperinci

II LANDASAN TEORI 2.1 Persamaan Dasar Fluida

II LANDASAN TEORI 2.1 Persamaan Dasar Fluida 4 II LANDASAN TEORI Dala bab ini akan diberikan eori-eori yang berkaian dengan peneliian ini. Teori-eori ersebu elipui persaaan dasar fluida yang akan disarikan dari Billingha dan King [7], dan Wiha [8].

Lebih terperinci

BAB IV APLIKASI PADA MATRIKS STOKASTIK

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

Lebih terperinci

PEMERINTAH KOTA YOGYAKARTA DINAS PENDIDIKAN SMA NEGERI 4 YOGYAKARTA Jl. Magelang, Karangwaru Lor, Kota Yogyakarta

PEMERINTAH KOTA YOGYAKARTA DINAS PENDIDIKAN SMA NEGERI 4 YOGYAKARTA Jl. Magelang, Karangwaru Lor, Kota Yogyakarta PEMERINTAH KOTA YOGYAKARTA DINAS PENDIDIKAN SMA NEGERI YOGYAKARTA Jl. Magelang, Karangwaru Lor, Koa Yogyakara 1 1 886 ULANGAN UMUM AKHIR SEMESTER GENAP TAHUN PELAJARAN 009 / 010 Maa Pelajaran : MATEMATIKA

Lebih terperinci

Analisis Faktorisasi Matriks Tak Negatif

Analisis Faktorisasi Matriks Tak Negatif Jurnal Maemaa, Saisa, & Kompuasi Vol. 3 No. Januari 07 Jurnal Maemaa, Saisa & Kompuasi Edisi Khusus Juli 007 Vol. 3, No.,, 4-46, 47-5, Januari January 07 07 47 57 nalisis Fakorisasi Mars ak Negaif bsrak

Lebih terperinci

FIsika KTSP & K-13 KINEMATIKA. K e l a s A. VEKTOR POSISI

FIsika KTSP & K-13 KINEMATIKA. K e l a s A. VEKTOR POSISI KTSP & K-13 FIsika K e l a s XI KINEMATIKA Tujuan Pembelajaran Seelah mempelajari maeri ini, kamu diharapkan mampu menjelaskan hubungan anara vekor posisi, vekor kecepaan, dan vekor percepaan unuk gerak

Lebih terperinci

Matematika EBTANAS Tahun 1988

Matematika EBTANAS Tahun 1988 Maemaika EBTANAS Tahun 988 EBT-SMA-88- cos = EBT-SMA-88- Sisi sisi segiiga ABC : a = 6, b = dan c = 8 Nilai cos A 8 4 8 EBT-SMA-88- Layang-layang garis singgung OAPB, sudu APB = 6 dan panjang OP = cm.

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju

Lebih terperinci

PENGUKURAN VALUE AT RISK DENGAN PENDEKATAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) (Studi Kasus Data Saham PT. Gudang Garam Tbk.

PENGUKURAN VALUE AT RISK DENGAN PENDEKATAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) (Studi Kasus Data Saham PT. Gudang Garam Tbk. Bulein Ilmiah Mah. Sa. dan Teraannya (Bimaser) Volume 4, No. 3 (ahun), hal 69 78. PENGUKURAN VALUE AT RISK DENGAN PENDEKATAN AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (ARCH) (Sudi Kasus Daa Saham PT.

Lebih terperinci

MODEL DERET WAKTU HIDDEN MARKOV

MODEL DERET WAKTU HIDDEN MARKOV 9 ; P j y π j { ; } P j y sama dengan sau jika engamaan berada ada sae j dan sama dengan nol jika engamaan berada ada sae selainnya Maka enduga raaraa unuk sae j ada ersamaan 8 akan sama dengan nilai raaraa

Lebih terperinci

2. MATRIKS. 1. Pengertian Matriks. 2. Operasi-operasi pada Matriks

2. MATRIKS. 1. Pengertian Matriks. 2. Operasi-operasi pada Matriks 2. MATRIKS 1. Pengertian Matriks Matriks adalah himpunan skalar yang disusun secara empat persegi panjang menurut baris dan kolom. Matriks diberi nama huruf besar, sedangkan elemen-elemennya dengan huruf

Lebih terperinci

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

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

Lebih terperinci

III. KERANGKA PEMIKIRAN

III. KERANGKA PEMIKIRAN III. KERANGKA PEMIKIRAN 3.1. Kerangka Teoriis 3.1.1 Daya Dukung Lingkungan Carrying capaciy aau daya dukung lingkungan mengandung pengerian kemampuan suau empa dalam menunjang kehidupan mahluk hidup secara

Lebih terperinci

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,

Lebih terperinci

BAB 3 RUANG BERNORM-2

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

Lebih terperinci

BENARKAH PASAR MODAL KITA EFISIEN?

BENARKAH PASAR MODAL KITA EFISIEN? Jurnal Keuangan dan Perbanan, Vol., No. Januari 008, hal. 43 55 Terarediasi SK. No. 67/DIKTI/Ke/007 KEUANGAN Dwiarso Uomo Fuad Faulas Eonomi Jurusan Aunansi Universias Dian Nuswanoro Jl. Naula I No.5-

Lebih terperinci

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

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

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-326

JURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print) D-326 JURNAL AIN DAN ENI OMIT Vol. 3, No., (4) 337-35 (-98X rin) D-36 eramalan Toal Marke eeda Moor dan Toal enjualan Moor X di roinsi Jawa Timur dengan endekaan ARIMA Box-Jenkins dan Auoregressive Inegraed

Lebih terperinci