BAB II LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI"

Transkripsi

1 6 BAB II LANDASAN TEORI 2. Shm 2.. Pegert shm Shm dpt ddefsk sebg td peyert tu kepemlk seseorg tu bd dlm sutu perush tu perush terbts. Wujud shm berup selembr kerts yg meergk sp pemlky. Ak tetp sekrg sstem tp wrkt sudh mul dlkuk d psr modl Jkrt dm betuk kepemlk tdk lg berup lembr shm yg dber m pemlky tetp sudh berup ccout ts m pemlk tu shm tp wrkt. Jd peyeles trsks k semk cept d mudh. Shm tu ekuts merupk surt berhrg yg sudh byk dkel msyrkt. Umumy jes shm yg dkel dlh shm bs (commo stock).[srhrp.co.d/ekoom/eurek/2002/05/3/eur0.html] Jes-jes shm Shm dpt dbg mejd du jes, ytu :. Shm bs (commo stock) Merupk shm yg meeptk pemlky plg juor tu khr terhdp pembg dvde d hk ts hrt keky perush pbl perush tersebut dlkuds. Krkterstk l dr shm bs dlh dvde dbyrk selm perush

2 7 memperoleh lb. Setp pemlk shm memlk hk sur dlm rpt umum pemegg shm (oe shre oe vote). Pemegg shm bs memlk tggug jwb terbts terhdp klm phk l sebesr propors shmy d memlk hk utuk meglhk kepemlk shmy kepd org l. 2. Shm prefere (preffered stock) Merupk shm yg memlk krkterstk gbug tr oblgs d shm bs, kre bs meghslk pedpt tetp (sepert bug oblgs). Persm shm prefere deg oblgs terletk pd tg hl, ytu :. Ad klm ts lb d ktv sebelumy. b.dvde tetp selm ms berlku dr shm d memlk hk tebus c. Dpt dpertukrk deg shm bs. Shm prefere lebh m dbdgk deg shm bs kre memlk hk klm terhdp keky perush d pembg dvde terlebh dhulu. Shm prefere sult utuk dperjulbelk sepert shm bs kre jumlhy sedkt Keutug shm Dy trk dr vests shm dlh keutug yg dpt dperoleh vestor deg memlk shm, ytu :. Dvde Slh stu betuk retur yg plg umum d merupk slh stu fktor petg dlm vests sekurts shm dlh dvde.

3 8 Meurut Joes (2002, p.40) Dvdes re the oly csh pymet regulrly mde by corportos to ther stockholders. Sedgk meurut Shrpe (995, p.5) Pymets mde csh to stockholders re termed dvdes. Dr du pedpt tersebut, dpt dsmpulk bhw dvde merupk keutug yg dberk perush peerbt shm ts keutug yg dhslk perush dlm betuk ug tu kepd pr pemegg shmy. Bsy dvde dbgk setelh dy persetuju pemegg shm d dlkuk sethu sekl. Agr vestor berhk medptk dvde, vestor tersebut hrus memegg shm tersebut utuk kuru wktu tertetu hgg kepemlk shm tersebut dku sebg pemegg shm d berhk medptk dvde. Dvde yg dberk perush dpt berup dvde tu, dm pemegg shm medptk ug tu sesu jumlh shm yg dmlk d dvde shm dm pemegg shm medptk jumlh shm tmbh. 2. Cptl G Meurut Joes (2002, p.3) The pprecto (or deprecto) the prce of sset, commoly clled the cptl g(loss). Cptl g merupk selsh tr hrg bel d hrg jul yg terjd. Cptl g terbetuk deg dy ktvts perdgg d psr sekuder. Umumy vestor jgk pedek meghrpk keutug dr cptl g.

4 Fktor-fktor dlm memlh shm Sebg vestor terdpt tg ls utuk memlh membel shm tertetu, ytu :.Icome Apbl pertmbg dlm bervests dlm shm dlh medptk pedpt yg tetp dr hsl vests perthuy, mk vestor bs membel shm pd perush yg sudh mp d memberk dvde secr regulr. 2.Growth Apbl pertmbgy utuk jgk pjg d memberk hsl yg besr d ms dtg, bervests pd shm perush yg sedg berkembg memberk keutug yg besr, kre kebjk dr perush yg sedg berkembg bsy keutug perush k dvests kembl ke perush mk perush tdk memberk dvde bg vestor. Keutug bg vestor hy dr kek hrg shm pbl vestor mejul shm tersebut d ms dtg. 3.Dversfcto Apbl tuju membel shm utuk kepetg portfolo mk pemodl hrus ht-ht dlm melegkpy. Apkh memerluk shm utuk pedpt tetp tu membel oblgs deg bug yg dberk sebg pedpt.

5 Perbed shm d oblgs Shm merupk bukt pemlk sedgk oblgs merupk bukt hutg. Slh stu perbed tu dlh spek jtuh tempoy, oblgs wlupu jgk pjg memlk jtuh tempo, sedgk shm tdk memlk jtuh tempo. Vr jes-jes oblgs yrs tdk terbts. Rumpu ktv keug yg berm oblgs bs dkelompokk berdsrk tpe emte, berdsrk mturty tu ms jtuh tempoy, berdsrk gu, berdsrk hdr tu tdky dekss pelus, berdsrk vrs peetp tgkt bug, berdsrk d tu tdky hk peukr, d sebgy. Dlm psr modl Idoes, st dperdggk du jes oblgs ytu oblgs bs d kovers. Tetp dlm kelompok oblgs bs terdpt vrs yg cukup byk : d yg dterbtk BUMN d perush swst, d yg memlk tgkt bug tetp d d yg megmbg, d yg memlk gu tu peggug, d yg tdk, d sebgy. Bg vestor, du hl yg perlu dperhtk, ytu :. Tgkt rsko, vestor bs megguk pergkt oblgs sebg cu. 2. Potes keutug, vestor dpt memt btu plg tu ge utuk membtu meghtug yeldy. [Hs Ze Mhmud,

6 2..6 Bertrsks shm Sebelum melkuk trsks shm d psr modl, pemodl sebg vestor hrus mejd sbh perush efek yg terdftr d psr modl yg sekrg jumlhy sebyk 85 perush (dt thu 2002). Pertm yg hrus dlkuk dlh membuk rekeg deg megs dokume pembuku. Besry d yg dtemptk tu depost wjb bg vestor besry berbed utuk bermcm mcm perush. Ad perush yg mewjbk vestor utuk meemptk d sebesr Rp. 25 jut utuk dpt bervests tu bertrsks d psr modl. Ad jug yg meghrusk hy Rp. 5 jut. Nmu d jug perush efek yg meetuk msly lm puluh perse dr l trsks yg hrus dtemptk. Dlm perdgg shm, jumlh yg dperjulbelk dlkuk dlm stu perdgg yg dsebut lot. D Burs Efek Jkrt, lot sm deg lm rtus lembr shm, khusus perbk lot sm deg lm rbu lembr shm. (srhrp.co.d/ekoom/eurek/2002/05/3/eur0.html) 2.2 Portfolo Sebuh portfolo dlh sekumpul dr shm-shm/sset yg bersko. Jk seorg vestor megvestsk ugy pd shm A, shm B, shm C, mk vestor tersebut dktk mempuy portfolo deg tg shm. (Brghm, p27)

7 2 2.3 Expexted Rte of Retur Setp pegembl dr vests yg dhrpk dber stlh retur, meurut Pem (200, p.66) Returs re ucert rsky- d orml returs re compesto for berg the rsk d for the tme vlue of moey. Bs drtk pegembl dlh rsko yg bersft tdk pst d pegembl orml dlh kompess dr meerm rsko tersebut d sebg l wktu dr ug. Dpt dsmpulk, retur merupk keutug yg ddpt dr vests yg dlkuk oleh vestor. Sepert yg sudh dsebutk dlm 2..3, retur dpt berup dvde tu cptl g. Rte of retur dlh skl yg meujukk hsl dr vests tu retur dr vests. Rte of retur mempuy rumus sebg berkut : Rte of retur = mout receved mout vested mout vested Expected rte of retur dlh jumlh hsl kl probblts kejd deg rte of retur, tu bs dtuls : r = r P = = P (r ) + P 2 (r 2 ) +.+P (r ) r = rte of retur stock- P = probblts terjdy rte of retur stock- Jk dt dtmplk dlm betuk rry of retur, dm setp kompoe dr rry dlh expected retur dr sset mk dpt dtuls sebg berkut : r = (r,r 2,,r )

8 3 Dlm meetuk expected rte of retur bs jug megmbl dt hstors. Jd deg melht dt-dt dr ms yg llu dpt dhrpk l d ms yg k dtg. 2.4 Portfolo Returs Portfolo Returs merupk retur dr sekumpul sset (portfolo). Jk vestor mempuy d sebesr x yg k dloksk ke sejumlh sset, mk dpt dytk : x= (x, x 2,, x ) dm x dlh jumlh d yg dloksk ke sset d x =, x 0 = byk sset. Portfolo retur = x r = r p = dm r = expected retur dr sset ke = jumlh shm dlm portfolo x = propors pegloks d pd sset ke = 2.5 Rsko (Rsk) Fktor yg membut retur tdk pst dlh rsko(rsk). Rsko sergkl ddefsk sebg bhy tu kemugk k kejd yg tdk dsuk k terjd. Dlm membut keputus vests, kt hrus melbtk retur d rsk. Ivestor hrus sellu wspd terhdp rsko yg merek perkrk, hrus thu p yg dkbtk oleh rsko d bersp meghdp kosekuesy.

9 4 Joes (2002, p.3) medefsk Rsk s the chce tht the ctul outcome from from vestmet wll dffer from the expected outcome. Rsko dlh kemugk berbedy tr hsl yg terjd deg hsl yg dhrpk, dlm hl retur. Rsko dr sebuh sset dpt dperkrk deg du cr :. std-loe bss, dm sset dls tersedr, jd rsko yg k dhdp oleh vestor bersl dr sset tu sedr. 2. portfolo cotext, dm sset yg stu dkombsk deg sset ly, llu dls. Std-loe rsk dlh rsko yg k dhdp oleh vestor jk hy memegg stu sset sj. Utuk meetuk besr kecly rsko, kt dpt megguk stdr devs. Stdr devs ( σ ) merupk kr dr vrs. Vrs dlh ukur sebr dt. Vrs (utuk sset)= σ 2 ( r r) = = Dm = sset ke- = byk sset r = expected retur sset r = rt-rt expected retur keseluruh shm/sset. 2 2 Vrs (portfolo) = σ p = j= x x σ j j Dm x = propors shm dlm portfolo x j = propors shm j dlm portfolo

10 5 = jumlh shm dlm portfolo σ j = kovrs tr shm d j Du shm yg retury bergerk berlw, dlm kombs, k meghslk l vrs portfolo yg lebh redh drpd vrs dr shm dvdul. Jk portfolo mempuy stdr devs yg tgg medk vrs dr retur yg besr mk pelug retur yg sebery mugk lebh kecl expected retur mejd lebh besr, jd rsko dr portfolo jug tgg. Berdsrk besr kecly rsko yg ber dmbl oleh vestor, mk vestor terdr dr du mcm, ytu :. Rsk Lovg vestor Rsk lovg vestor, sepert my, merupk vestor yg meyuk rsko, tu vestor yg ber megmbl rsko dlm bervests. 2. Rsk Averse vestor Rsk verse vestor merupk vestor yg tdk meyuk rsko. Dlm bervests, vestor cederug bervests pd shm yg meyuk rsko yg kecl. Kebyk, pr vestor termsuk dlm tpe. 2.6 Kovrs Kovrs dlh ukur yg megkombsk vrce dr stock s retur deg kecederug utuk bergerk k tu turu pd wktu yg

11 6 bersm tu slg berkeblk. Kovrs meytk hubug tr du shm. Kovrs dhtug deg rumus : Kovrs σ j = ( r r )( r r ) t jt t= j tu σ j = ( r r )( r r ) t= Nl kovrs postf jk ketk expected retur shm dts rt-rt, expected retur shm j jug dts rt-rt tu ketk expected retur shm dbwh rt-rt, expected retur shm j jug dbwh rt-rt. Du shm deg l kovrs yg postf cederug (secr rt-rt) bergerk bersm, ytu jk expexted retur shm k, mk expected retur shm j jug k. Nl kovrs yg egtve, medk bhw kedu shm slg bergerk berlw, ytu jk expected retur shm turu, mk expected retur shm j k k d seblky. Mtrks kovrs sergkl dtulsk dlm : t jt j σ σ 2 = M σ σ σ M σ K σ σ σ 2 M 2.7 Betuk Kudrtk Ketk sebuh fugs objektf megdug fugs kudrt ( msly 0,25 x 2 ), mu bts mslhy dlh ler, mk hl dsebut mslh qudrtc progrmmg. Betuk umum kudrtk Dberk : X = ( x x... ) T 2 d x

12 7 A = M M K 2 M Q(X) = ( x x x ) T 2... M M K 2 M x x2 M x Mk fugsy : Q(X) = X T AX = = j= x x j j dsebut betuk kudrtk. Mtrks A dpt sellu dsumsk smetrs kre setp eleme utuk setp psg dr koefse Q(X). j = ( ) j j utuk j dpt dgt deg + Betuk kudrtk dpt dktk : j. Postve defte jk Q(X) > 0 utuk semu X 0. 2 tp merubh 2. Postve-semdefte jk Q(X) 0 utuk semu X d terdpt X 0 sehgg Q(X) = Negtve-defte jk -Q(X) postve-semdefte 4. Negtve-semdefte jk Q(X) dlh postve-semdefte. 5. Idefte dlm ksus ly. Dpt dbuktk bhw kods yg dpeluk d memeuh utuk relss dr ksus dts dlh :. Q(X) dlh postve-defte (semdefte) jk l dr prcpl mor determts ts A dlh postf (oegtve). kth prcpl mor determt dr A x dtetuk oleh :

13 8 M 2 k M 2 22 k 2 L L k 2k M kk, k =, 2,..., Dlm ksus, A dktk sebg postve-defte (semdefte). 2. Q(X) dlh egtve-defte jk l dr kth prcpl mor determts dr A mempuy td (-) k, k =, 2,,. Dlm ksus, A dsebut egtve-defte. 3. Q(X) merupk egtve-semdefte jk kth prcpl mor determt dr A dlh ol tu mempuy td (-) k, k =, 2,,. Dlm pemlh portfolo, pr vestor meggk expected retur yg besr d rsko kerug yg kecl. Utuk tu fugs objektf y dpt drumusk sebg berkut : m = j= x x 2 jσ j = σ p () mx x r = (2) deg bts : = x = (3) 2.8 Qudrtc Progrmmg Model Qudrtc Progrmmg dtujuk sebg berkut : Mxmze z = CX + X T DX Deg bts

14 9 AX b, X 0 dm X = ( x x,...,, 2, 2 x ) T C = ( c c,..., ) b = ( b b,...,, 2 c b ) T A = M m L L M m D = d M d m L L d M d m Fugs X T DX meujukk betuk kudrtk dm D dlh smetrs. Mtrks D dsumsk deft egtf jk mslhy dlh mxms, d deft postf jk mslhy dlh mms. Hl berrt z koveks dlm X utuk mms d kokf utuk mxms. Bts-bts dsumsk ler dlm ksus, yg mejm tempt solus koveks. Solus utuk mslh berdsrk KKT ecessry codtos. Mslh qudrtc progrmmg k dberlkuk utuk ksus mksms, megubh formuls utuk mms merupk hl yg mudh. Mslhy dpt dtuls sebg berkut : Mxmze z = CX + X T DX Deg bts

15 20 G(X) = Α b Χ 0 0 Ι D λ = ( λ, λ 2,,λ m ) T U = (μ, μ 2,, μ ) T merupk Lgrge Multplers yg sesu deg du set bts AX b 0 d X 0. Aplks dr KKT meghslk : λ 0, U 0 z - (λ T, U T ) G(X) = 0 sekrg λ b x j j = 0, =, 2,..., m j= μ j x j = 0, j =, 2,..., AX b -X 0 z = C + 2X T D G(X) = Α Ι Brk S = b AX 0 mejd slck vrbles ts bts-bts. Kodskods dkurg mejd: -2X T D + λ T A U T = C AX + S = b μ x = 0 = λ S semu d j j j

16 2 λ, U, X, S 0 Kre D T = D trspose dr set pertm ts persm-persm dpt dtuls sebg -2DX + A T λ - U = C T Mk, kods-kods yg dperluk dpt dkombsk sebg 2D Α Α 0 T Ι 0 Χ 0 λ C = Ι U b S T μ x = 0 = λ S semu d j j j λ, U, X, S 0 Kecul utuk kods-kods j j μ x = 0 = λ S semu d j, persmpersm yg terss dlh persm ler dlm λ, U, X, S. Kre z kokf d tempt solusy dlh koveks, solus fesble yg memeuh semu kods hrus uk d optmum. [Th (2003, p7470] 2.9 Krush-Kuh-Tucker Kods Krush-Kuh-Tucker (KKT) dguk utuk megdetfks sttory pots ts permslh oler deg bts mslh berup pertdksm. Pegembg KKT ddsrk pd metode Lgrge. Mslk mslh : Mxmze z = f(x) Deg bts : g(x) 0

17 22 Bts mslh berup pertdksm dpt drubh mejd persmpersm deg megguk oegtve slck vrbles. Dguk 2 S ( 0 ) mejd slck qutty yg dtmbhk ke bts mslh ke- dr g (X) 0 d tetuk : S = ( S, S 2,, S m ) T, S 2 = ( S S S ) T, 2, K, m dm m merupk jumlh dr bts pertdksm. Fugs Lgrge dberk sebg berkut : L(X, S, λ) = f(x) - λ[g(x) + S 2 ] deg bts mslh : g(x) 0 kods yg dbutuhk utuk optmlss dlh λ merupk oegtve (oposotve) utuk mslh mksms (mms). Vektor λ megukur tgkt vrs dr f deg megcu kepd g, ytu : λ = f g Dlm ksus mksms, ss sebelh k dr bts g(x) 0 berubh dr 0 mejd g ( > 0), soluto spce mejd lebh sedkt dbts d f tdk dpt meuru. Hl berrt λ 0. Sm hly deg ksus mms, sejl deg ss sebelh k dr bts meuru, f tdk dpt meuru, yg meytk λ 0. Bl bts mslhy berup persm, ytu g(x) = 0, mk λ mejd tdk terbts dlm td. Sekrg k dturuk secr sebg dr L megcu kepd X, S, d λ, mk ddpt :

18 23 L X L S = f ( X ) λ g( X ) = 0 = 2λ S = 0, =, 2, K, m L = ( g( X ) + S λ 2 ) = 0 Set kedu dr persm-persm meujukk hsl sebg berkut :. Jk λ 0, mk S 2 = 0 2. Jk S 2 0, mk λ = 0 Dr set kedu d ketg dr persm, ddpt : λ g (X) = 0, =, 2,, m Kods bru megulg peryt sebelumy, kre jk λ > 0, g (X) = 0 tu S 2 = 0 d jk g (X) > 0, S 2 > 0, d λ = 0. Kods KKT utuk mslh mksms dpt drgkum sebg berkut : λ 0 f(x) - λ g(x) = 0 λ g (X) = 0, =, 2,, m g(x) Metode Wolfe Utuk betuk dr Qudrtc Progrmmg yg umum Mmze z = T x Cx + 2 p T x Deg Ax = b d x 0

19 24 Deg A = ( j ) merupk mtrx m x, b = (b ) merupk vektor m x, x = (x j ) d p = (p j ) keduy merupk vektor x. Mtrx C merupk mtrx x. Dsumsk mtrks C smetrs (C T = C) d merupk postf deft, ytu xc T x 0 utuk setp x vektor x. Metode Wolfe utuk meyelesk Qudrtc Progrmmg merupk vrs dr metode smplex utuk ler progrmmg. Teorem : x* merupk solus optml utuk Qudrtc Progrmmg jk d hy jk terdpt m x vektor u* d x vektor v* sehgg (x*, u*, v*) yg meyelesk sstem persm : Ax = b Cx + A T u-v = -p x T v = 0 x 0, v 0 Metode Wolfe meytk utuk meyelesk mslh Qudrtc Progrmmg sm hly deg meyelesk system persm dts. Persm-persm dts merupk system persm ler d utuk meyelesk persm-persm tersebut dpt dguk lgortm smplex. Persm Ax = b dpt dtuls sebg berkut : x x = b m x m x = b m

20 25 Dpt dtmbhk vrbel but d = (d, d 2,, d m ) sehgg persm lery mejd : Mmze Z= d + d d m D x x ± d = b m x m x ± d m = b m x 0, d 0 Yg dmksud deg ± d dlh + d jk b 0, d - d jk b < 0. Itl Bsc Fesble Soluto y dlh x = 0 d d = b. Jk sstem persm Ax = b, x 0 mempuy solus, l optml Z* k sm deg 0, seblky, l optml k mejd postf. Algortm Smplex k meyelesk persmpersm dts. Tetp kre d persm x T v = 0, mk persm tersebut k dguk sebg tur pegecul, ytu x j d v j keduy tdk boleh postf pd st yg sm utuk setp j =,,. Deg kt l, pd setp thp dr lgortm smplex utuk meyelesk persm-persm dts, jk x j berd dlm bss lm (x j > 0) mk v j tdk boleh msuk ke dlm bss. Jk v j berd dlm bss lm (v j >0), mk x j tdk boleh msuk ke dlm bss. 2. Fugs Objektf Fugs Objektf yg k dselesk utuk medptk portfolo yg optml dlh :

21 26 Mx ( x T Qx ) Deg bts : = x r T x k x 0. Dm : r T x = expected retur x T Qx = = j= x x j σ j 2 = σ p = vrs k = expected retur yg dhrpk vestor. 2.2 Metode L Metode l yg dpt dguk utuk meyelesk fugs objektf yg mempuy betuk kudrt sel deg qudrtc progrmmg dlh Metode Newto-Rphso. Metode Newto-Rpso merupk prosedur ters utuk meyelesk persm oler. Sebery, metode Newto Rphso jug merupk bg dr Metode Grde yg dguk utuk megoptmlss fugs fugs yg tdk mempuy bts mslh. Mslk persm fugs : f (X) = 0, =, 2,.m X k merupk l yg dberk. Mk perlus Tylor : f (X) f (X k ) + f (X k )(X- X k ), =, 2,.m. Mk persm wl, f (X) = 0, =, 2,.m dpt dbut sebg : f (X k ) + f (X k )(X- X k ) = 0, =, 2,.m

22 27 Persm dpt dtuls dlm ots mtrks sebg berkut : A k + B k (X- X k ) = 0 Jk B k tdk sgulr mk : X = X k B - k A k Ide dr metode dlh memul dr sebuh tl pot X 0. Deg megguk persm terdhulu, sebuh pot bru X k+ dtetuk dr X k. Prosedur k berkhr deg X m sebg solus dm X m X m-. Kesult yg dtemu dr metode dlh koverges tdk sellu djm kecul fugs f mempuy perlku bk. Tdk d cr yg mudh utuk megloksk tl pot yg bk. Mk lebh bk megguk qudrtc progrmmg kre lebh mudh dlm perhtugy d qudrtc progrmmg mejm soluto spce yg optml. 2.3 Pergkt Luk Meurut Pressm (200, p6), pergkt luk dlh :. struks struks (progrm komputer) yg jk djlk k meyedk fugs yg dperluk. 2. struktur dt yg memugkk progrm utuk mempuls forms 3. dokume yg meytk opers d kegu progrm Dsr Percg Pergkt Luk Meurut Mhyuzr (99, p78), percg merupk proses peerp bermcm-mcm tehk d prsp deg tuju utuk

23 28 medefsk perlt, proses tu system secr rc. Percg dlkuk pd thp wl pegembg. Tuju percg dlh meghslk model yg k dbut. Percg pergkt luk meglm perubh jk ddptk metode yg bru, lss yg bk d peyusu pegert yg lebh lus Fse Pegembg Pergkt Luk Meurut Mhyuzr (99, p78), fse pegembg terdr dr tg lgkh yg jels, ytu :.Percg Metodolog percg terdr dr :. Percg dt yg terfokus pd pedefs struktur dt. b. Percg rstektur yg medefsk hubug tr eleme yg utm dr struktur progrm. c. Percg procedurl yg merupk trsforms eleme dr struktur progrm ke dlm deskrps procedurl pergkt luk. 2.Membut source code 3.Uj Cob Fse pegembg meerpk 75% tu lebh by dlm perekys pergkt luk. Keputus yg dmbl k mempegruh keberhsl peerp d megurg pekerj pd fse pemelhr. Hl yg terpetg dlm percg pergkt

24 29 luk dlh kults. Percg meyedk gmbr tu model yg dpt dl seg kultsy. Percg pergkt luk merupk lds utuk seluruh fse pegembg d pemelhr. Tp percg, k dhslk system yg tdk stbl Proses Percg Percg pergkt luk dlh sutu proses dm formsforms yg telh dperoleh dterjemhk ke dlm model pergkt luk. Model pergkt luk memegg per petg dlm peuls progrm. Berdsrk mjeme proyek, percg pergkt luk dkerjk dlm du lgkh, ytu :. Pergcg wl Adlh forms-forms ke dlm rstektur dt d pergkt luk. 2. Percg rc Terfokus pd perbk model rstektur yg memegg per petg dlm pembut struktur dt d lgortm secr rc dr pergkt luk. 2.4 Sstem Bss Dt Dlm pegert umum dtbse drtk sebg gbug dr eleme-eleme dt yg berhubug d terorgsr. Dtbse terbg dlm beberp ktegor umum, ytu :

25 30 Pper-bsed, merupk dtbse yg plg sederh yg dsmp dlm betuk kumpul kerts dokume yg terorgss. Legcy mfrme, bs dkel deg Dtbse VSAM (Vrtul Storge Access Method). Legcy Mfrme megguk kemmpu mfrme utuk melkuk proses peymp d pegkses dt. Dbse, megdug ISAM (Idex Sequetl Access Method) yg merupk metode pegkses dt secr berurut yg memlk dex. Pd umumy megguk fle yg terpsh utuk setp tbely. Cotoh dr dtbse yg megguk system dlh Dbse, Foxpro, Mcrosoft Access, Prdox. RDBMS (Reltol Dtbse Mgemet System), merupk system dtbse utuk jumlh user yg besr deg tegrts dt. Struktur perthy dsebut deg SQL (Structured Query Lguge). SQL terbg mejd du kompoe ytu DDL (Dt Defto Lguge) yg meckup perth crete, lter, d drop. Yg kedu DML (Dt Mpulto Lguge) yg meckup perth select, sert, delete, d updte. Object-oreted Dtbse, megguk system objek dlm peymp dt. Dt dsmp buk dlm betuk tbel melk dlm betuk objekobjek yg terpsh. 2.5 Peelt yg Relev Mrkus Hrschberger dr Deprtmet of Mthemtcs Uversty of Echsttt- Igolstdt, Germy d d Yue Q d Rlph E.Steuer dr Terry College of

26 3 Busess Uversty of Georg, USA megvestgs md-to lrge scle portfolo selecto deg qudrtc prmetrc progrmmg tp smplfks pd mtrks kovrs. Adrew Whsto meuls pper tetg peyeles qudrtc progrmmg deg decomposto lgorthm, d memberk solus pd subproblem deg meyelesk ler progrmmg problem. Lus A Gllrdo, Mx A Meju, Mrco A Perez Flores megguk pedekt Qudrtc Progrmmg utuk merekostruksk kembl sutu gmbr.

CNH2B4 / KOMPUTASI NUMERIK

CNH2B4 / KOMPUTASI NUMERIK CNHB4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT PENCOCOKAN KURVA Pedhulu Dt g bersl dr hsl pegmt lpg pegukur tu tbel g dmbl dr buku-buku cu. Nl tr turu tegrl mudh dcr utuk

Lebih terperinci

Dr.Eng. Agus S. Muntohar Department of Civil Engineering

Dr.Eng. Agus S. Muntohar Department of Civil Engineering Pertemu ke-7 Persm Ler Smult Oktober 0 Metode Iters Guss-Sedel Dr.Eg. Agus S. Mutohr Deprtmet of Cvl Egeerg Metode Guss-Sedel Merupk metode ters. Prosedur umum: - Selesk ser lbr vrbel tdk dkethu msg-msg

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Ltr Belkg Smp st, model Regres d model Alss Vrs telh dpdg sebg du hl g tdk berkt. Meskpu merupk pedekt g umum dlm meergk kedu cr pd trf permul, model Alss Vrs dpt dpdg sebg hl khusus model

Lebih terperinci

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Prktkum 8 Peyeles Persm Ler Smult Metode Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metode Elms Guss Tuju : Mempeljr metode Elms Guss utuk peyeles persm ler smult Dsr Teor : Metode Elms Guss merupk

Lebih terperinci

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt t tersebut

Lebih terperinci

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt tersebut

Lebih terperinci

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA)

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA) BAB 1 Alss Vrs stu fktor Sgle Fctor Alss Of Vrce (ANOVA) ANALISIS VARIANSI SATU FAKTOR D MetStt 1 sudh dkel uj hpotess rt-rt du populs A d B g berdstrbus Norml Bgm jk terdpt lebh dr du populs? Alss vrs

Lebih terperinci

BAB VI ANALISIS REGRESI

BAB VI ANALISIS REGRESI BAB VI ANALISIS REGRESI A. Pedhulu Alss regres merupk slh stu lss yg ertuju utuk megethu pegruh sutu vrel terhdp vrel l. Vrel yg mempegruh dseut depedet vrle/vrel es () d vrel yg dpegruh dseut depedet

Lebih terperinci

Bab 2 LANDASAN TEORI

Bab 2 LANDASAN TEORI b LNDSN TEORI. Hmpu Fuzzy Tdk semu hmpu yg dump dlm kehdup sehr-hr terdefs secr els, msly hmpu org msk, hmpu org pd, hmpu org tgg, d sebgy. Msly, pd hmpu org tgg, tdk dpt dtetuk secr tegs pkh seseorg dlh

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Megethu rcg d eses. Megethu model ler 3. Meuruk Jumlh Kudrt (JK) 4. Melkuk uj lss vrs 5. Melkuk uj perbdg gd Apkh ber kot dlm rokok dpt megkbtk Kker? Sel kker

Lebih terperinci

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada BAB PENDAHULUAN. Ltr Belkg Sektor perkebu merupk sub sektor pert yg mejd slh stu fktor yg dpt medukug kegt perekoom d Idoes. Slh stu sub sektor perkebu yg cukup besr potesy dlm perekoom Idoes dlh perkebu

Lebih terperinci

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange Prktkum. Iterpols Ler, Kudrtk, Poloml d Lgrge PRAKTIKUM Iterpols Ler, Kudrtk, Poloml, d Lgrge Tuju : Mempeljr berbg metode Iterpols g d utuk meetuk ttkttk tr dr buh ttk deg megguk sutu fugs pedekt tertetu.

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Ltr Belg Istlh Pemrogrm Geometr (PG) dperel oleh Duff, Peterso, d Zeer pd thu 967 Istlh dmbl dr mslh-mslh geometr g dpt dformuls sebg PG Pemrogrm Geometr dlh sutu tpe mslh optmlss mtemt g

Lebih terperinci

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1)

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1) CATATAN KULIAH Pertemu XIII: Alss Dmk d Itegrl () A. Dmk d Itegrs Model Stts : mecr l vrel edoge yg memeuh kods ekulrum tertetu. Model Optms : mecr l vrel plh yg megoptms fugs tuju tertetu. Model Dmk :

Lebih terperinci

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor BAB ANAVA JALAN Merupk pegembg dr ANAVA 1 Jl Jk pd ANAVA 1 l 1 Fktor Jk pd ANAVA l Fktor Model Ler Asums: Model efek Tetp! 1,..., 1,..., Stu fktor g dtelt Av 1 l k k 1,,..., 1,,..., b k 1,,..., Du fktor

Lebih terperinci

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel Prktkum 0 Peyeles Persm Ler Smult - Metode Elms Guss Sedel PRAKTIKUM 0 Peyeles Persm Ler Smult Metode Elms Guss Sedel Tuu : ler smult Mempelr metode Elms Guss Sedel utuk peyeles persm Dsr Teor : Metode

Lebih terperinci

1 yang akan menghasilkan

1 yang akan menghasilkan Rset Opers Probblstk Teor Per (Ge Theor) Nughthoh Arfw Kurdh, M.Sc Deprteet of Mthetcs FMIPA UNS Lecture 6: Med Strteg: Ler Progrg Method A. Metode Cpur deg Progr Ler Terdpt hubug g ert tr teor per d progr

Lebih terperinci

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT Prosdg Semr Nsol Mtemtk d Terpy 06 p-issn : 550-084; e-issn : 550-09 KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT St Muhwh Uversts Jederl Soedrm st_muhwh@yhoo.co.d

Lebih terperinci

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial Prktkum. Regres Regres Ler, Regres Ekspoesl, d Regres Poloml Poltekk Elektrok eger Surb ITS 47 PRAKTIKUM Regres Ler, Regres Ekspoesl d Regres Poloml. Tuju : Mempeljr metode peeles regres ler, ekspoesl

Lebih terperinci

VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA

VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA VARIASI PEMBAYARAN ANUITAS DENGAN POLA DERET ARITMATIKA De Prm Sr Jurus Mtemtk Uersts Neger Pg, Ioes eml: eprmsr@yhoo.com Abstrk. Auts lh rgk pembyr tu peerm lm jumlh tertetu yg lkuk secr berkl p jgk wktu

Lebih terperinci

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275 DIGRAF ESENTRIS PADA DIGRAF SIEL DIGRAF OMPLIT DAN DIGRAF OMPLIT MULTIPARTIT Reto tur umlsr d Luc Rtsr Jurus Mtemtk FMIPA UNDIP Jl Prof H Soedrto SH Semrg 5075 Abstrct The eccetrc dgrph of dgrph ED ( D)

Lebih terperinci

Anuitas. Anuitas Akhir

Anuitas. Anuitas Akhir Auts Auts bersl r kt bhs Iggrs uty yg pt efsk sebg rgk pembyr tu peerm tetp lm jumlh tertetu yg lkuk secr berkl p jgk wktu tertetu. Kt uty sly berrt pembyr ul (thu), k tetp serg eg berjly wktu kt uts jug

Lebih terperinci

Bab 4 ANALISIS REGRESI dan INTERPOLASI

Bab 4 ANALISIS REGRESI dan INTERPOLASI Als Numerk Bh Mtrkuls B 4 ANALISIS RGRSI d INTRPOLASI 4 Pedhulu Pd kulh k dpeljr eerp metde utuk mempredks d megestms dt dskret Dr sutu peelt serg dlkuk peglh dt utuk megethu pl dt tu etuk kurv g dggp

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Desg d coduct expermets volvg sgle. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc wth resdul plots 4. Use multple comprso

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37 Jurl Mtemtk Mur d Terp Vol. 4 No. Desember : - 7 PENGGUNN BENTUK SMITH UNTUK MENENTUKN BENTUK KNONIK MTRIKS NORML DENGN ENTRI-ENTRI BILNGN KOMPLEKS Thresye Progrm Stud Mtemtk Uversts Lmbug Mgkurt Jl. Jed..

Lebih terperinci

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Prktkum 8 Peyeles Persm Ler Smult Metoe Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metoe Elms Guss Tuju : smult Mempeljr metoe Elms Guss utuk peyeles persm ler Dsr Teor : Metoe Elms Guss merupk metoe

Lebih terperinci

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI PENCOCOKAN KURVA (CURVE FITTING) Iterpols : Iterpols er Iterpols Kudrtk Iterpols Poloml Iterpols grge Regres : Regres er Regres Ekspoesl Regres Poloml INTERPOASI Iterpols dguk utuk meksr l tr (termedte

Lebih terperinci

BAB I PENDAHULUAN. Populasi merupakan kumpulan dari individu organisme yang memiliki

BAB I PENDAHULUAN. Populasi merupakan kumpulan dari individu organisme yang memiliki BAB I PENDAHULUAN. Ltr Belkg Populs merupk kumpul dr dvdu orgsme yg memlk sft tumbuh growth, reks respos terhdp lgkugy, d reproduks. Pd dsry, pertumbuh mkhluk hdup pd sutu populs merupk proses yg berlgsug

Lebih terperinci

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor Bb 1 Av stu Alss Vrs (Alss Of Vrce / ANOVA) stu fktor Lerg Objectves 1. Desg d coduct expermets volvg sgle d two fctors. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser

Lebih terperinci

Bab 4 Penyelesaian Persamaan Linier Simultan

Bab 4 Penyelesaian Persamaan Linier Simultan Bb Peyeles Persm Ler Smult.. Persm Ler Smult Persm ler smult dlh sutu betuk persm-persm yg ser bersm-sm meyjk byk vrbel bebs. Betuk persm ler smult deg m persm d vrbel bebs dpt dtulsk sebg berkut: b b

Lebih terperinci

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal :

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT Rz Phlev, Arsm Ad, Sgt Sugrto Mhssw Progrm Stud S Mtemtk Dose Jurus Mtemtk Fkults

Lebih terperinci

Bab 2 Landasan Teori

Bab 2 Landasan Teori Bb 2 Lds Teor 2.1. Ler Progrmmg Model pemrogrm ler tdk mmpu meyelesk ksus-ksus mjeme yg meghedk ssr-ssr tertetu dcp secr smult. Kelemh dlht oleh A. Chres d W.M. Cooper. Merek berdu kemud megembgk model

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

Pemain P 1. Teorema 4.1 (Teorema minimax). Untuk setiap matriks pembayaran (pay off matrix), terdapat strategi optimal x* dan y* sedemikian sehingga

Pemain P 1. Teorema 4.1 (Teorema minimax). Untuk setiap matriks pembayaran (pay off matrix), terdapat strategi optimal x* dan y* sedemikian sehingga Rset Opers Probblstk Teor Permnn (Gme Theor) Deprtement of Mthemtcs FMIPA UNS Lecture 4: Med Strteg A. Metode Cmpurn (Med Strteg) D dlm permnn d mn permnn tersebut tdk mempun ttk peln, mk pr pemn kn bersndr

Lebih terperinci

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6 home se to ecellece Mt Kulh : Klkulus Kode : TSP 0 SKS : SKS Itegrl Pertemu - 6 home se to ecellece TIU : Mhssw dpt memhm tegrl fugs d plksy TIK : Mhssw mmpu mecr tegrl fugs Mhssw mmpu megguk tegrl utuk

Lebih terperinci

BAB V ANALISIS REGRESI

BAB V ANALISIS REGRESI BAB V ANALISIS REGRESI Setelh mempeljr mhssw dhrpk dpt : Meghtug prmeter regres Melkuk estms d uj prmeter regres 3 Meemuk model regres g tept Dlm kehdup serg dtemuk d sekelompok peuh g dtr terdpt huug,

Lebih terperinci

Bab 4 ANAKOVA (ANALISIS KOVARIANSI)

Bab 4 ANAKOVA (ANALISIS KOVARIANSI) Bb 4 ANAKOVA (ANALISIS KOVARIANSI) ANAVA vs ANREG ANAVA ANREG megu perbdg vrbel tergtug () dtu dr vrbel bebs () mempredks vrbel tergtug () mellu vrbel bebs () Ksus: Peelt deg vrbel : 1 Prests Mhssw Kemmpu

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

bila nilai parameter sesungguhnya adalah. Jadi, K( ) P( SU jatuh ke dalam WP bila nilai parameter sama dengan )

bila nilai parameter sesungguhnya adalah. Jadi, K( ) P( SU jatuh ke dalam WP bila nilai parameter sama dengan ) Kus Uji d Lem Neym-Perso Kebik sutu uji serig diukur oleh d. Di dlm prktek, bisy ditetpk, d kibty wilyh peolk (WP) mejdi tertetu pul. Kierj sutu uji jug serig diukur oleh p yg disebut kus uji (power of

Lebih terperinci

BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ. Definisi 3.1 Matriks Toeplitz adalah suatu matriks., dengan nilai,, dan indeks yang

BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ. Definisi 3.1 Matriks Toeplitz adalah suatu matriks., dengan nilai,, dan indeks yang BAB III NORM MATRIKS PADA HIMPUNAN DARI MATRIKS-MATRIKS TOEPLITZ 3. Mtriks Toeplitz Defiisi 3. Mtriks Toeplitz dlh sutu mtriks [ t ; k, j = 0,,..., ] : T =, k j, deg ili,, d ideks yg diguk setip etriy

Lebih terperinci

III PEMBAHASAN. peubah. Sistem persamaan (6) dapat diringkas menjadi Bentuk Umum dari Magic Square, Bilangan Magic, dan Matriks SPL

III PEMBAHASAN. peubah. Sistem persamaan (6) dapat diringkas menjadi Bentuk Umum dari Magic Square, Bilangan Magic, dan Matriks SPL III PEMBAHASAN 3.1. Betuk Umum dri Mgic Squre, Bilg Mgic, d Mtriks SPL Mislk eleme dri bris ke-i d kolom ke-j dlh i,j mk mgic squrey secr umum dlh 1,1 1, 1,,1,,,1,, Gmbr 1. Betuk umum mgic squre deg: i,j

Lebih terperinci

Model Tak Penuh. Definisi dapat di-uji (testable): nxp

Model Tak Penuh. Definisi dapat di-uji (testable): nxp Model T Peuh Defs dpt d-u (testle): Sutu c c 'c 'c H 'c 'c dpt du l d stu set fugs g dpt - ddug m m ' sehgg H er c ' ' slg es ler tu C c ' c m ' Perht : Kre r X p r p m m r c' (X' X) c X' X c' C(X' X)

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BB LNDSN TEORI. lytcl Herrchy Process (HP) lytc Herrchy Process (HP) dlh slh stu metode khusus dr Mult Crter Decso Mkg (MCDM) yg dperkelk oleh Thoms Lore Sty. HP dpt dguk utuk memechk mslh pd stus yg kompleks.

Lebih terperinci

METODE NUMERIK PERTEMUAN : 5 & 6 M O H A M A D S I D I Q 3 S K S - T E K N I K I N F O R M A T I K A - S1

METODE NUMERIK PERTEMUAN : 5 & 6 M O H A M A D S I D I Q 3 S K S - T E K N I K I N F O R M A T I K A - S1 METODE NUMERIK S K S - T E K N I K I N F O R M A T I K A - S M O H A M A D S I D I Q PERTEMUAN : 5 & 6 PENYELESAIAN PERSAMAAN LINIER SIMULTAN S K S - T E K N I K I N F O R M A T I K A - S M O H A M A D

Lebih terperinci

PROGRAM LINEAR BILANGAN BULAT DUAL SKRIPSI

PROGRAM LINEAR BILANGAN BULAT DUAL SKRIPSI PROGRA LINEAR BILANGAN BULAT DUAL SKRIPSI Duk Utuk emeuh Slh Stu Syrt emperoleh Gelr Sr Ss (S.S) Progrm Stud temtk Oleh: Berdet Wdsh NI : 7 PROGRA STUDI ATEATIKA JURUSAN ATEATIKA FAKULTAS ATEATIKA DAN

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNAN DERET BERTINKAT BERDAAR BILANAN EULERIAN DENAN OPERATOR BEDA Aleder A uw Jurus Mtetk, Fkults s d Tekolog, Uversts B Nustr Jl. K.H. yhd No. 9, Plerh, Jkrt Brt 48 gug@bus.edu ABTRACT Cscde seres

Lebih terperinci

DIKTAT. Mata Kuliah METODE NUMERIK. Oleh: I Ketut Adi Atmika

DIKTAT. Mata Kuliah METODE NUMERIK. Oleh: I Ketut Adi Atmika DIKTAT Mt Kulh METODE NUMERIK Oleh: I Ketut Ad Atmk JURUSAN TEKNIK MESIN FAKULTAS TEKNIK UNIVERSITAS UDAYANA 6 KATA PENGANTAR Dktt dsusu utuk memudhk mhssw dlm memhm beberp metode umerk utuk meyelesk persm-persm

Lebih terperinci

UNIVERSITAS INDONESIA METODE STAIRCASE UNTUK MENDAPATKAN BENTUK KANONIK JORDAN DENGAN KARAKTERISTIK WEYR SKRIPSI NURRY WIDYA HESTY

UNIVERSITAS INDONESIA METODE STAIRCASE UNTUK MENDAPATKAN BENTUK KANONIK JORDAN DENGAN KARAKTERISTIK WEYR SKRIPSI NURRY WIDYA HESTY UNIVERSITS INDONESI METODE STIRCSE UNTUK MENDPTKN BENTUK KNONIK JORDN DENGN KRKTERISTIK WEYR SKRIPSI NURRY WIDY HESTY 976 Fkults Mtemtk d Ilmu Pegethu lm Progrm Stud Mtemtk Depok Februr Metode strcse...,

Lebih terperinci

PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : PT. SINAR KENCANA INTERMODA SURABAYA)

PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : PT. SINAR KENCANA INTERMODA SURABAYA) Semr Nsol Mtemtk d Aplksy, 21 Oktober 2017 Surby, Uversts Arlgg PENERAPAN CLUSTERING K-MEANS PADA CUSTOMER SEGMENTATION BERBASIS RECENCY FREQUENCY MONETARY (RFM) (STUDI KASUS : SINAR KENCANA INTERMODA

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNGAN DERET BERTINGKAT BERDAARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA Aleder A.. Guw Jurus Mtetk d ttstk, Fkults s d Tekolog, Bus Uversty Jl. KH. yhd No. 9, Plerh, Jkrt Brt 48. gug@bus.edu ABTRACT

Lebih terperinci

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON PENYELESAIAN SISTEM PERSAMAAN TAK LINIER DENGAN METODE NEWTON-RAPHSON SKRIPSI oleh: KHUTWATUN NASIHA NIM: 4 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI (UIN) MALANG MALANG

Lebih terperinci

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY Oleh : Yusup Fkults Ilmu Komputer, Uversts AKI Semrg Astrt The frto of No Homoge Lerty Ajustmet System towr Cholesky Doule

Lebih terperinci

BAB I KOMBINATORIKA. A. Kaidah Pencacahan Terdapat dua kaidah pencacahan, yaitu kaidah penjumlahan dan kaidah perkaliah.

BAB I KOMBINATORIKA. A. Kaidah Pencacahan Terdapat dua kaidah pencacahan, yaitu kaidah penjumlahan dan kaidah perkaliah. BAB I KOMBINATORIKA Dr. Al Mhmud (Jurus Peddk Mtemtk FMIPA UNY) Combtorcs hs emerged s ew subject stdg t the crossrods betwee pure d plled mthemtcs, the ceter of bustlg ctvty, smmerg pot of ew problems

Lebih terperinci

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0.

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0. KKKF BAHAGAN A 6 MARKAH Arh : Jw SEMUA sol. Kepekt kter pecemr pt, d dlm secw teh trk yg drk selm eerp jm derk oleh: pt = 5e -.5t + 5e -.75t Crk ms, t, dlm ut jm yg dperluk utuk kter jk kepekt yg dkehedk

Lebih terperinci

Hendra Gunawan. 21 Februari 2014

Hendra Gunawan. 21 Februari 2014 MA0 MATEMATIKA A Hedr Guw Semester II, 03/04 Februri 04 Kulih Sebelumy 9.4 Deret Positif: Uji Liy Memeriks kekoverge deret positif deg ujiperbdigd ujirsio 9.5 Deret Gti Td: Kekoverge Mutlk d Kekoverge

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK Pegtr Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. Msly dlm termodmk, model Deye utuk megtug kpsts ps dr ed pdt.

Lebih terperinci

Optimalisasi Harga Penjualan Perumahan dengan Metode Goal Programming (Studi Kasus: Golden Gindi Residence Kota Bima Nusa Tenggara Barat)

Optimalisasi Harga Penjualan Perumahan dengan Metode Goal Programming (Studi Kasus: Golden Gindi Residence Kota Bima Nusa Tenggara Barat) Jurl Mtemtk Vol. No., Desember 0. ISSN: 69-94 Optmlss Hrg Peul Perumh deg Metode Gol Progrmmg (Stud Ksus: Golde Gd Resdece Kot Bm Nus Teggr Brt) Llk Ik Rhmwt Jurus Mtemtk FMIPA Uversts Udy, Bukt Jmbr-Bl

Lebih terperinci

( X ) 2 ANALISIS REGRESI

( X ) 2 ANALISIS REGRESI ANALII REGREI A. PENGERTIAN REGREI ecr umum d du mcm huug tr du vrel tu leh, tu etuk huug d keert huug. Utuk megethu etuk huug dguk lss regres. Utuk keert huug dpt dkethu deg lss korels. Alss regres dperguk

Lebih terperinci

FUNGSI KARAKTERISTIK. penelitian ini akan ditentukan fungsi karakteristik dari distribusi four-parameter

FUNGSI KARAKTERISTIK. penelitian ini akan ditentukan fungsi karakteristik dari distribusi four-parameter IV. FUNGSI KARAKTERISTIK Pd bgi seljuty k dijbrk megei ugsi krkteristik. Pd peeliti ii k ditetuk ugsi krkteristik dri distribusi our-prmeter geerlized t deg megguk deiisi d kemudi k membuktik ugsi krkteristik

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TORI. egtr roses Mrkov dt dklsfksk sesu deg sft wktu egmt roses sert stte scey. Wktu egmt roses dt bersft dskrt muu kotu d stte scey bersft dskrt muu kotu bk terbts muu tk terbts.. Dt Defs..

Lebih terperinci

BARISAN DAN DERET. Jawaban : D a = 3, b = 2, U 10 = (a + 9b) U 10 = = 21. Jawaban : E a = 2,5 S ~ =

BARISAN DAN DERET. Jawaban : D a = 3, b = 2, U 10 = (a + 9b) U 10 = = 21. Jawaban : E a = 2,5 S ~ = pge of SOAL Jumlh ke-0 dri bris :,, 7, 9,.dlh.. d. e. 7 9 Ebts 99 Sebuh bol jtuh dri ketiggi, meter d memtul deg ketiggi kli tiggi semul. D setip kli memtul berikuty, mecpi ketiggi kli tiggi ptul sebelumy.

Lebih terperinci

BAB 1 PENDAHULUAN. Gambar 1.1. Kurva y=sinc(x)

BAB 1 PENDAHULUAN. Gambar 1.1. Kurva y=sinc(x) BAB PENDAHULUAN.. Megp Megguk Metode Numerk Tdk semu permslh mtemts tu perhtug dpt dselesk deg mudh. Bhk dlm prsp mtemtk, dlm memdg permslh g terlebh dhulu dperhtk pkh permslh tersebut mempu peeles tu

Lebih terperinci

Metode Iterasi Gauss Seidell

Metode Iterasi Gauss Seidell Metode Itersi Guss Seidell Metode itersi Guss-Seidel : metode yg megguk proses itersi higg diperoleh ili-ili yg berubh. Bil dikethui persm liier simult: Berik ili wl dri setip i (i s/d ) kemudi persm liier

Lebih terperinci

HUKUM SYLVESTER INERSIA

HUKUM SYLVESTER INERSIA Vol 6 No 3 44-56 Desember 3 ISSN : 4-858 HUKUM SYLVESTER INERSIA R Heru Tjhj Jurus Mtemt FMIPA UNDIP Abstr Mtrs represets sutu betu udrt dpt dsj sebg mtrs dgol Eleme pd dgol utm mtrs represets tersebut

Lebih terperinci

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT OLUI DERET PANGKAT TETAP DENGAN FUNGI PEMBANGKIT Aleder A Guw Jurus Mtemt d ttst Fults s d Teolog, Uversts B Nustr Jl. K. H. yhd No. 9, Kemggs/Plmerh, Jrt Brt 8 gug@bus.edu ABTRACT Ths rtcle dscusses bout

Lebih terperinci

Solusi Sistem Persamaan Linear

Solusi Sistem Persamaan Linear Sos Sstem Persm Ler Sstem persm er: h persm deg h kow j d dketh, j,,, j? So: z 6 z z () () () persm d kow Jw: z 6.5 z.5 z () () () ems : pers. ().5 pers. () pers. ().5 pers. () z 6.5 z 8z 8 () () () ems

Lebih terperinci

Bab IV Faktorisasi QR

Bab IV Faktorisasi QR Bb IV Ftorss QR. Pedhulu Ftorss QR dr mtr A beruur m dlh pegur mtr A mejd A Q R dm Q R m m dlh orthogol d R R m segtg ts. Ftorss serg jug dsebut ftorss orthogol (orthogol ftorzto). Ad beberp r yg dgu utu

Lebih terperinci

Kalkulus 2. Deret Pangkat dan Uji Konvergensi. Department of Chemical Engineering Semarang State University. Dhoni Hartanto S.T., M.T., M.Sc.

Kalkulus 2. Deret Pangkat dan Uji Konvergensi. Department of Chemical Engineering Semarang State University. Dhoni Hartanto S.T., M.T., M.Sc. Klkulus Deret Pgkt d Uji Kovergesi Dhoi Hrtto S.T., M.T., M.S. Deprtmet o Chemil Egieerig Semrg Stte Uiversity Eperimetl Deret Pgkt Urut d deret sequees d series). Urut gk merupk rgki gk tk terbts jumlh

Lebih terperinci

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif Vol. 3 No. 80-85 Ju 007 Bts Nl Ege Mksl D Mtks Tk Negtf A. Kes Jy Abstk Ide ut skps dlh utuk edptk etode dl eetuk bts d l ege ksl d tks tk egtf deg bedsk bts Fobeus. Ytu R d dlh ulh bs tu kolo u d R dlh

Lebih terperinci

RENCANA PELAKSANAAN PERKULIAHAN

RENCANA PELAKSANAAN PERKULIAHAN Lesso Study FMIPA UNY RENCANA PELAKSANAAN PERKULIAHAN MATA KULIAH : ALJABAR LINEAR II SEMESTER : III TOPIK : NILAI EIGEN DAN VEKTOR EIGEN SUB TOPIK : NILAI EIGEN DAN VEKTOR EIGEN WAKTU : X 5 A. Stdr Kompetesi:

Lebih terperinci

Jl. HR. Soebrantas No. 155 Simpang Baru, Panam, Pekanbaru,

Jl. HR. Soebrantas No. 155 Simpang Baru, Panam, Pekanbaru, Jurl Ss Mtetk d Sttstk, Vol. No. Jul 6 ISSN 6-5 Metode Guss-Sedel d Geerlss Guss-Sedel utuk Meyelesk Sste Pers Ler Kopleks Cotoh Ksus: SPL Kopleks deg pers d vrel tr ry, Le Tr Lestr, Jurus Mtetk, kults

Lebih terperinci

Matematika Dasar INTEGRAL TENTU . 2. Partisi yang terbentuk merupakan segiempat dengan ukuran x dan f ( x k ) sebagai

Matematika Dasar INTEGRAL TENTU . 2. Partisi yang terbentuk merupakan segiempat dengan ukuran x dan f ( x k ) sebagai Mtemtik Dsr INTEGRAL TENTU Pegerti tu kosep itegrl tetu pertm kli dikelk oleh Newto d Leiiz. Nmu pegerti secr leih moder dikelk oleh Riem. Mteri pemhs terdhulu yki tetg itegrl tk tetu d otsi sigm k kit

Lebih terperinci

III PEMBAHASAN. x x. 3.1 Analisis Metode Perhatikan persamaan integral Volterra berikut. x. atau (11)

III PEMBAHASAN. x x. 3.1 Analisis Metode Perhatikan persamaan integral Volterra berikut. x. atau (11) III PEMBAHASAN 3 Alisis Metode Perhtik persm itegrl Volterr berikut y ( f( λ Ktyt ( ( (8 deg y( merupk fugsi yg k ditetuk sutu kostt f( fugsi sembrg yg dikethui d terdefiisi pd R d K(ty(t sutu fugsi yg

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Alss Regres Alss regres dlh tekk sttstk yg ergu utuk memerks d memodelk huug dtr vrel-vrel. Peerpy dpt djump secr lus d yk dg sepert tekk, ekoom, mjeme, lmu-lmu olog, lmu-lmu sosl,

Lebih terperinci

Penyelesaian Persamaan Linier Simultan

Penyelesaian Persamaan Linier Simultan Peyelesi Persm Liier Simult Persm Liier Simult Persm liier simult dlh sutu betuk persm-persm yg ser bersm-sm meyjik byk vribel bebs Betuk persm liier simult deg m persm d vribel bebs ij utuk i= s/d m d

Lebih terperinci

6. Selanjutnya langkah penyelesaian

6. Selanjutnya langkah penyelesaian MENYELESAIKAN SISTEM PERSAMAAN LINEAR FUZZY DALAM BENTUK A y DENGAN MENGURAIKAN y D Mstk, Mshd, Sr Gemwt Mhssw Progrm Std S Mtemtk Dose Jrs Mtemtk Fklts Mtemtk d Ilm Pegeth Alm Uversts R Kmps Bwdy Pekbr

Lebih terperinci

DEFINISI INTEGRAL. ' untuk

DEFINISI INTEGRAL. ' untuk DEINISI INTEGRAL Dlm mtemtk d eerp stl sepert des, teorem, lemm Istl petg kre meujuk keeksstes Des dl peryt yg erl er kre dsepkt, d tdk perlu duktk Teorem dl peryt yg dpt duktk keery Lemm dl teorem kecl,

Lebih terperinci

ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES

ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES LEMMA VOL I NO., NOV 24 ESTIMASI DAN RELIABILITAS PADA DISTRIBUSI WEIBULL DENGAN METODE BAYES Adev Mur Adel Progrm Stud Peddk Mtemtk, Uversts Mhutr Muhmmd Ym, Solok devmur@gml.com Abstrk. Peelt bertuju

Lebih terperinci

3SKS-TEKNIK INFORMATIKA-S1

3SKS-TEKNIK INFORMATIKA-S1 SKS-TEKNIK INFORMATIKA-S Momd Sdq PERTEMUAN : 9- INTEGRASI NUMERIK METODE NUMERIK TEKNIK INFORMATIKA S SKS Momd Sdq MATERI PERKUIAHAN SEBEUM-UTS Pegtr Metode Numerk Sstem Blg d Kesl Peyj Blg Bult & Pe

Lebih terperinci

HUKUM SYLVESTER INERSIA

HUKUM SYLVESTER INERSIA Vol 6 No 3 44-56 Desember 3 ISSN : 4-858 HUKUM SYLVESTER INERSIA R Heru Tjhj Jurus Mtemt FMIPA UNDIP Abstr Mtrs represets sutu betu udrt dpt dsj sebg mtrs dgol Eleme pd dgol utm mtrs represets tersebut

Lebih terperinci

BAB I SISTEM PERSAMAAN LINEAR

BAB I SISTEM PERSAMAAN LINEAR BAB I SISTEM PERSAMAAN LINEAR Sistem persm ditemuk hmpir di semu cg ilmu pegethu Dlm idg ilmu ukur sistem persm diperluk utuk mecri titik potog eerp gris yg seidg, di idg ekoomi tu model regresi sttistik

Lebih terperinci

x 1 M = x 1 m 1 + x 2 m x n m n = x i

x 1 M = x 1 m 1 + x 2 m x n m n = x i Iterl Tertetu..6 oe d ust ss Ttk Bert slk d du ed s-s elk ss sesr d y dletkk pd pp er de jrk erturut-turut d d d dr ttk pey pd - y ered. Ked terseut k se jk dpeuh d d. d d Sutu odel tets y k dperoleh pl

Lebih terperinci

GEOMETRI EUCLID EG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG

GEOMETRI EUCLID EG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG GEOMETRI EUCLID EG(, p ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG Bmg Irwto d Yu Hdyt Jurus Mtemtk FMIPA UNDIP Jl. Prof. H. Soedrto, S.H, Semrg 5075 Astrt. A Bled Iomplete Blok (BIB) desg

Lebih terperinci

juga dinyatakan sebagai a n atau a n n n 0,1, 2, 3,... Pada barisan dibagi menjadi barisan konvergen dan barisan divergen.

juga dinyatakan sebagai a n atau a n n n 0,1, 2, 3,... Pada barisan dibagi menjadi barisan konvergen dan barisan divergen. MATERI: ) Perbed bris d deret b) Defiisi d teorem tetg deret c) Deret suku positif d uji kovergesiy d) Deret hiperhrmois e) Deret ukur f) Deret ltertig d uji kovergesiy g) Deret kus d opersiy h) Deret

Lebih terperinci

PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD. Dydaestury Jalarno 1,Dwi Ispriyanti 2. Alumni Jurusan Matematika FMIPA UNDIP

PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD. Dydaestury Jalarno 1,Dwi Ispriyanti 2. Alumni Jurusan Matematika FMIPA UNDIP PENENTUAN MODEL REGRESI TERPOTONG ATAS DENGAN METODE MAKSIMUM LIKEHOOD Dydesury Jlro,Dw Ispry Alum Jurus Memk FMIPA UNDIP S Progrm Sud Ssk FMIPA UNDIP Absrk Model regres erpoog s merupk suu model regres

Lebih terperinci

DUALITAS DAN ANALISIS SENSITIVITAS

DUALITAS DAN ANALISIS SENSITIVITAS /5/008 DUALITAS DAN ANALISIS SENSITIVITAS Dr. Mohd Adul Mukhy, SE., MM. Prl Prole P ze z cx suject to Ax x 0 optu vlue s z* Dul Prole xze suject to D v π πa c optu vlue s v* Theore. (Strog Dulty) If oth

Lebih terperinci

PENAKSIRAN PARAMETER MODEL REGRESI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI WIDYA WAHYUNI

PENAKSIRAN PARAMETER MODEL REGRESI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI WIDYA WAHYUNI UNIVERSITAS INDONESIA PENAKSIRAN PARAMETER MODEL REGRESI BINOMIAL NEGATIF PADA KASUS OVERDISPERSI SKRIPSI WIDYA WAHYUNI 07066003 FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI MATEMATIKA DEPOK

Lebih terperinci

INTEGRAL TERTENTU. sebagai P = max{x i x i-1 1 = 1, 2, 3,, n}. a = x 0 x 1 x 2 x n = b. Contoh: Pada interval [ 3, 3], suatu partisi P = { 3, 1 2 , 31

INTEGRAL TERTENTU. sebagai P = max{x i x i-1 1 = 1, 2, 3,, n}. a = x 0 x 1 x 2 x n = b. Contoh: Pada interval [ 3, 3], suatu partisi P = { 3, 1 2 , 31 INTEGRAL TERTENTU Defs: Prs P pd ervl [,] dlh suu suse erhgg P = {,,,, } dr [,] deg = < < < < = Jk P = {,,,, } prs pd [,] mk Norm P, duls P, ddefsk seg P = m{ - =,,,, } Cooh: = = Pd ervl [, ], suu prs

Lebih terperinci

DETERMINAN MATRIKS dan

DETERMINAN MATRIKS dan DETERMINN MTRIKS d TRNSFORMSI ELEMENTER gusti Prdjigsih, M.Si. Jurus Mtemtik FMIP UNEJ tiprdj.mth@gmil.com DEFINISI Utuk setip mtriks bujursgkr berordo x dpt dikitk deg tuggl sutu bilg rel yg dimk determi.

Lebih terperinci

JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER 1

JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER 1 FITRIANA RICHA HIDAYATI 7 46 Dose Pembimbig M. ARIEF BUSTOMI, M.Si Surby, Jui JURUSAN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER Alis disesuik deg geometri

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA 7 BAB TINJAUAN PUSTAKA. Sstem Perml Cerds Perlku Kosume Sstem Perml Cerds Perlku Kosume dlh sebuh sstem g berfugs utuk merml sub produk p g seber dbutuhk oleh kosume ketk g membel sutu produk berdsrk kods

Lebih terperinci

Nuryanto,ST.,MT. Integral merupakan operasi invers dari turunan. Jika turunan dari F(x) adalah F (x) = f(x), maka F(x) = f(x) dx.

Nuryanto,ST.,MT. Integral merupakan operasi invers dari turunan. Jika turunan dari F(x) adalah F (x) = f(x), maka F(x) = f(x) dx. Nuryto,ST.,MT d c. INTEGRAL TAK TENTU KONSEP DASAR INTGRAL f. ALJABAR INTEGRAL f. TRIGONO CONTOH SOAL SOAL LATIHAN UJI KOMPETENSI Itegrl merupk opersi ivers dri turu. Jik turu dri F dlh F = f, mk F = f

Lebih terperinci

MA1201 MATEMATIKA 2A Hendra Gunawan

MA1201 MATEMATIKA 2A Hendra Gunawan MA1201 MATEMATIKA 2A Hedr Guw Semester II, 2016/2017 24 Februri 2017 9.6 Deret Pgkt Kulih yg Llu Meetuk selg kekoverge deret pgkt 9.7 Opersi pd Deret Pgkt Melkuk opersi pd deret pgkt yg dikethui jumlhy

Lebih terperinci

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI Ftr Rhm Sr d D Idr Sesuse Fkults Ilmu Komputer, Uversts Idoes, Depok, Idoes d@cs.u.c.d Astrk Memlh

Lebih terperinci

RELASI REKURENSI. Heru Kurniawan Program Studi Pendidikan Matematika Jalan KHA. Dahlan 3 Purworejo. Abstrak

RELASI REKURENSI. Heru Kurniawan Program Studi Pendidikan Matematika Jalan KHA. Dahlan 3 Purworejo. Abstrak RELASI REKURENSI Heru Kuriw Progrm Studi Pedidik Mtemtik Jl KHA. Dhl Purworejo Abstrk Relsi Rekuresi merupk slh stu mslh dlm Mtemtik Diskrit. Sebuh relsi rekuresi medeiisik suku ke- dri sebuh bris secr

Lebih terperinci

MASALAH PROGRAMA LINIER FUZZY DENGAN FUNGSI KEANGGOTAAN LINIER

MASALAH PROGRAMA LINIER FUZZY DENGAN FUNGSI KEANGGOTAAN LINIER JRNA TEKNIK INDSTRI VO. 2 NO. JNI 2000: 28-33 MASAAH PROGRAMA INIER FZZY DENGAN FNGSI KEANGGOTAAN INIER Nyom Sutp Dose Fkults Tekk Jurus Tekk Idustr versts Krste Petr ABSTRAK Asums kepst l-l prmeter dlm

Lebih terperinci

dan mempunyai vektor normal n =(a b c). Misal P(x,y,z) suatu titik berada pada bidang. 1. Persamaan bidangnya adalah n P P

dan mempunyai vektor normal n =(a b c). Misal P(x,y,z) suatu titik berada pada bidang. 1. Persamaan bidangnya adalah n P P Rug Vektor Tuju:. Megigt kembli persm gris d bidg di rug.. Memhmi ksiom rug vektor, kombisi liier d rug bgi.. Megigt kembli pegerti bebs d bergtug liier, bsis d dimesi. Arti geometris dri determi Jik A

Lebih terperinci