BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Pasar Modal da Saham Berdasarka Udag-Udag Pasar Modal No. 8 tahu 1995, defs pasar modal adalah kegata yag bersagkuta dega peawara umum da perdagaga efek, perusahaa publk yag berkata dega efek yag dterbtkaya serta lembaga da profes yag berkata dega efek. Pasar modal merupaka pasar utuk berbaga strume keuaga jagka pajag yag bsa dperjualbelka, bak dalam betuk utag maupu modal sedr. D pasar modal, dperjualbelka strume keuaga sepert saham, oblgas, wara, rght, oblgas kovertbel, da berbaga produk turua(dervatf) sepert ops (put atau call) ( Darmaj, Tjptoo, da Fakhrudd, Hedy M., 2001, p5). Saham dapat ddefska sebaga tada peyertaa atau kepemlka seseorag atau bada dalam suatu perusahaa atau perseroaa terbatas (Darmaj, Tjptoo, da Fakhrudd, Hedy M., 2001, p5). Daya tark dar vestas saham adalah potes utuk medapatka keutuga dar : 1. Dvde Meurut Joes (2002, p.40) Dvdes are the oly cash paymet regularly made by corporatos to ther stockholders. Dvde merupaka keutuga yag dberka perusahaa peerbt saham(emte) atas keutuga perusahaa dalam betuk uag tua kepada para pemegag sahamya. Basaya dvde dbagka setelah adaya persetujua pemegag saham da dlakuka setahu

2 8 sekal pada umumya. Agar vestor berhak medapatka dvde, vestor tersebut harus memegag saham tersebut dalam kuru waktu tertetu hgga kepemlka saham tersebut daku sebaga pemegag saham da berhak medapatka dvde. Dvde yag dberka perusahaa dapat berupa dvde tua, d maa pemegag saham medapatka uag tua sesua jumlah saham yag dmlk da dvde saham d maa pemegag saham medapatka jumlah saham tambaha. 2. Captal Ga Meurut Joes (2002, p.131) The apprecato (or deprecato) the prce of asset commoly called the captal ga(loss). Captal ga merupaka selsh atara harga bel da harga jual yag terjad. Captal ga terbetuk dega adaya aktvtas perdagaga d pasar sekuder. Umumya vestor jagka pedek da meegah megharapka keutuga dar captal ga. 2.2 Defs Portofolo Dalam dua keuaga, stlah portofolo dartka sebaga kumpula vestas yag dmlk oleh vestas yag dmlk oleh sttus ataupu peroraga. [d.wkpeda.org/wk/portofolo]. Portofolo dapat terdr dar lebh dar satu aset vestas, msalya portofolo reksadaa yag bsa terdr atas saham, oblgas, da strume vestas laya. Dalam peulsa skrps, yag aka kta bahas haya terbatas pada portofolo saham yak portofolo yag haya megadug saham sebaga aset vestasya.

3 9 2.3 Retur Defs Retur Setap pegembala dar vestas yag dharapka dber stlah retur. Meurut Pema (2001, p.66) Returs are ucerta rsky ad ormal returs are compesatos for bearg the rsk ad for the tme value of moey. Retur adalah rsko yag bersfat tdak past da retur ormal adalah kompesas dar meerma rsko tersebut da sebaga la waktu dar uag. Retur merupaka hasl yag ddapat dar vestas yag dlakuka oleh vestor. Retur dapat berupa keutuga maupu keruga. Rate of retur adalah skala yag meujukka hasl retur dar vestas. Rate of retur mempuya rumus sebaga berkut : Rate of retur = clos g prce opeg prce + dvdeds opeg prce Expected rate of retur adalah jumlah hasl kal probabltas kejada dega rate of retur, atau dapat dtuls dega rumus sebaga berkut : E ( R) = P R = P1 R1 + P2 R2 + K+ P R = 1 d maa : E(R) = expected rate of retur R = rate of retur saham ke- P = probabltas terjadya rate of retur saham ke- Utuk meetuka expected rate of retur, dapat dambl data hstors. Jad dega megguaka data-data dar masa yag lalu, dapat dhtug la harapa utuk retur d masa yag aka datag.

4 Retur Portofolo Retur dar suatu portofolo merupaka retur dar sekumpula aset(saham) yag membetuk portofolo tersebut. Bla vestor mempuya daa sebesar yag aka dalokaska ke sejumlah aset, maka dapat dyataka : = (, 2, K, 1 ) dega costrat = 1 = 1 da 0 1 d maa adalah jumlah propors daa yag dalokaska ke saham ke-. Dega demka, retur portofolo dapat drumuska sebaga berkut : R p = R = 1R1 + 2R2 + K+ = 1 R d maa : R p =retur portofolo R = expected retur dar saham ke- = jumlah propors daa yag dalokaska ke saham ke- = jumlah saham yag membetuk portofolo 2.4 Rsko Defs Rsko Dalam melakuka vestas, seorag vestor harus memlk alat utuk meelt, megaalss da meyeleks saham yag aka dbel. Sehubuga dega hal tersebut, vestor harus mempertmbagka rsko yag dhadap da keutuga yag dharapka. rsko dapat tmbul karea adaya ketdakpasta pada masa yag

5 11 aka datag. Joes (2002, p. 131) medefska Rsk s the chace that actual outcome from a vestmet wll dffer from the expected outcome. Rsko adalah kemugka berbedaya atara hasl yag terjad dega hasl yag dharapka dalam hal retur. Rsko dapat dkelompokka mejad 3 jes sebaga berkut. 1. Systematc Rsk / Market-related Rsk Rsko dsebabka oleh faktor-faktor yag secara seretak mempegaruh harga saham d bursa. rsko dsebut juga rsko pasar. Cotohya adalah kebjaka pemertah d bdag poltk da ekoom, keaka tgkat suku buga, adaya flas da devaluas yag aka memlk pegaruh terhadap seluaruh perekooma egara. Jes rsko tdak dapat dpegaruh melalu dversfkas pada portofolo. 2. Usystematc Rsk / Frm-specfc Rsk Rsko dsebabka oleh faktor teral perusahaa atau dalam dustr tu sedr. Usur yag mempegaruh rsko adalah kelompok dustr, sstem maajeme orgasas, persoala perusahaa, bdag usaha, struktur permodala, susua aktva tetap da sebagaya. Cotohya adalah kebakara pabrk tekstl A tdak meggaggu kerja pabrk sepatu pabrk B, kelalaa maajeme bak A tdak aka mempegaruh kerja bak B, da la sebagaya. Jes rsko dapat dpegaruh melalu dversfkas pada portofolo. 3. Portofolo Rsk rsko dpegaruh oleh baga atau persetase pemlka saham dar suatu perusahaa dalam suatu portofolo. Besarya rsko setap saham da corak

6 12 hubuga atar masg-masg saham cederug postf atau egatf. Dega dversfkas saham yag tepat, rsko portofolo dapat dmmalka. Salah satu prsp vestas yag utama adalah rsk-retur tradeoff - We wo't take o addtoal rsk uless we expect to be compesated wth addtoal retur (Keow, 2001, p11). Artya adalah bahwa kta berseda utuk meaggug sejumlah rsko asalka kepada kta dberka tambaha retur karea kta telah berseda meaggug rsko tambaha tersebut. Dalam koteks vestas, rsko haya dapat dmmalka, tetap tdak dapat dhlagka seluruhya. Salah satu caraya adalah dega melakuka dversfkas saham-saham yag membetuk portofolo. Berdasarka tgkat toleras terhadap rsko vestas, ada 3 macam tpe vestor yatu: 1. Ivestor koversatf Tpe vestor koversatf adalah tpe vestor yag cederug meghdar rsko (rsk averse). Ivestor koservatf basaya bervestas utuk megkatka kualtas hdup keluarga da dega retag waktu vestas yag cukup pajag, msalya, utuk peddka pergurua tgg aak atau baya hdup d har tua. Ivestor tpe memlk kecederuga meaam vestas dega keutuga (retur) yag layak saja da tdak memlk rsko besar, karea flosof vestas mereka adalah meghdar rsko. Bla vestor tpkal bervestas pada saham maka saham-saham yag dbel adalah saham-saham dega pertumbuha yag past, sebab dega pastya pertumbuha pedapata perusahaa tersebut maka aka secara kosta perusahaa tersebut membagka dvde.

7 13 2. Ivestor moderat Tpe vestor moderat adalah tpe vestor yag memlk tgkat toleras yag lebh bak dar vestor koversatf. Ivestor tpe umumya bervestas dalam jagka waktu meegah. Ivestor tpe lebh megambl rsko dega harapa medapat retur yag lebh besar. Umumya saham-saham yag dbel adalah saham-saham yag lkud da bsa memberka captal ga dalam jagka waktu meegah. 3. Ivestor agresf Tpe vestor agresf adalah tpe vestor yag sagat meyuka rsko(rsk lover). Mereka sagat telt dalam megaalsa portofolo yag dmlk. Semak bayak agka-agka da fakta yag bsa daalsa adalah semak bak. Ivestor tpe umumya bervestas dega retag waktu relatf pedek karea megharapka adaya keutuga yag besar dalam waktu sgkat. Walaupu tdak berharap utuk merug, amu setap vestor agresf meyadar bahwa keruga adalah baga dar permaa. Saham-saham yag dbel umumya adalah saham yag masuk kategor spekulatf (speculatve stock) Stadar Devas Sehubuga dega vestas, para vestor megguaka berbaga defs utuk mejelaska maka rsko. Salah satu cara yag dguaka utuk megukur rsko secara kuattatf adalah dega megguaka ukura statstka yag dsebut stadar devas atau volatltas. Stadard devato s a measure of the spread or dsperso about the mea of a probablty dstrbuto (Keow, 2001, p177). Artya dalam hal rsko dlhat sebaga fluktuas (ak turuya) pegembala

8 14 dar pegembala yag dharapka atau smpaga baku pegembala dar ratarata pegembala. Stadar devas dapat dtuls dega rumus : σ = 1 N N = 1 ( R _ R) 2 d maa : σ = stadar devas N = jumlah saham R = expected retur saham ke- _ R = rata-rata expected retur keseluruha saham Stadar devas portofolo dapat dtuls sebaga berkut : σ P = = 1 j= 1 Cov( R, R ) j j d maa : = propors saham dalam portofolo j = propors saham j dalam portofolo = jumlah saham yag membetuk portofolo Cov(R, R j ) = kovaras retur atara saham dega saham j Dua buah saham yag returya bergerak berlawaa, dalam kombas aka meghaslka stadar devas yag lebh redah darpada stadar devas saham secara dvdual. 2.5 Kovaras da Koefse Korelas Teor portofolo Markowtz meujukka bagamaa dversfkas pada

9 15 portofolo saham dapat memmalka rsko. Rsko portofolo bukalah sekedar merupaka rata-rata tertmbag dalam portofolo, tetap harus juga dpertmbagka adaya hubuga d atara saham-saham tad. Kosep statstk yag dpaka dalam metode adalah kovaras da koefse korelas Kovaras Meurut [e.wkpeda.org/wk/covarace], covarace s the measure of how much two radom varables vary together. Kovaras adalah ukura kecederuga dua buah peubah acak berubah-ubah secara bersamaa. Jka dua buah peubah acak cederug utuk berubah secara bersamaa d maa bla salah satu peubah cederug d atas la harapaya, da peubah yag laya cederug d atas la harapaya juga, maka kovaras atara dua peubah acak tersebut aka berla postf, da sebalkya. Kovaras atara dua buah peubah acak da Y dega la harapa E( ) = μ da E(Y ) = ν dapat ddefska sebaga berkut. Cov (, Y ) = E(( μ)( Y ν )) dmaa E adalah operator la harapa. Rumus tersebut d atas dapat juga dtuls sebaga berkut. Cov (, Y ) = E(. Y ) μν

10 Koefse Korelas Koefse korelas adalah la yag meujukka kekuata da arah hubuga ler atara dua peubah acak (radom varable) [d.wkpeda.org/wk/korelas]. Koefse korelas dperoleh dega membag kovaras kedua peubah acak dega perkala smpaga bakuya. Secara matemats, korelas atara dua peubah acak da Y dega la yag dharapka μ da μ Y, serta smpaga baku σ da σ Y ddefska sebaga berkut. ρ, Y Cov(, Y ) = σ σ Y = E(( μ )( Y μy )) σ σ Y Karea μ E( ), 2 ( 2 ) 2 σ = E E ( ) da demka pula utuk Y, maka = dapat pula dtuls sebaga berkut. ρ, Y = E( 2 E( Y ) E( ) E( Y ) ) E 2 ( ) E( Y 2 ) E 2 ( Y ) Koefse korelas aka berla 1 jka terdapat hubuga ler yag postf, da sebalkya aka berla -1 jka terdapat hubuga ler yag egatf. Nla atara -1 da +1 meujukka tgkat depedes ler atara dua peubah. Semak dekat dega -1 atau +1, semak kuat korelas atara kedua peubah tersebut. 2.6 Dversfkas Portofolo Dversfkas portofolo dartka sebaga pembetuka portofolo sedemka rupa sehgga dapat megurag rsko portofolo tapa megorbaka pegembala yag dhaslka. I merupaka tujua yag dg dcapa oleh

11 17 vestor. Yag dmaksud dega dversfkas dalam hal adalah seluruh daa yag ada seharusya tdak dvestaska ke saham satu saham perusahaa saja., melaka portofolo harus terdr dar lebh dar satu jes saham. Masalah yag aka mucul d s adalah bagamaa cara pemlha saham perusahaa da berapa besar alokas daa bag masg-masg saham perusahaa dalam portofolo. Sebelum adaya perkembaga teor portofolo, walaupu vestor serg membcaraka dversfkas portofolo secara umum, amu mereka tdak perah megguaka alat ukur sebaga aalss utuk mejawab masalah d atas. Dega berkembagya teor portofolo yag dtemuka oleh Harry M. Markowtz, maka dapat dperoleh mafaat maksmal dar dversfkas yag dlakuka. 2.7 Teor Portofolo Markowtz Teor Portofolo Markowtz adalah suatu pedekata vestas yag dkembagka oleh ekoom Uversty of Chcago Harry M. Markowtz, yag memeagka Nobel Prze ecoomcs pada tahu Teor portofolo dsebut juga teor portofolo moder. Pedekata Markowtz dalam memlh portofolo adalah bahwa vestor harus memlh portofolo berdasarka retur yag dharapka da rsko yag dukur dar stadar devas. Markowtz kemuda meuruka kosep yag dsebut dega effcet portfolo, yag ddefska sebaga portofolo yag mempuya rsko terkecl utuk expected retur yag sama, atau expected retur terbesar utuk tgkat rsko yag sama. Markowtz juga membuktka bahwa rsko portofolo dapat dkurag da expected rate of retur dapat dtgkatka jka aset-aset vestas mempuya pegeraka harga yag tdak sama bla dkombas (medekat korelas -1 semak bagus utuk dversfkas).

12 18 Hal pertama yag harus dlakuka dalam teor portofolo adalah medefska rsk-retur opportutes yag terseda utuk sekumpula saham. Kemugka kombas tersebut sagat bayak meggat jumlah alokas utuk tap saham bsa sagat bervaras. Semua kombas tdak perlu dcoba karea yag perlu dperhatka hayalah portofolo yag berada dalam effcet set. Gambar 2.1 Kurva Effcet Froter Aset-aset yag ada pada gambar 2.1 meggambarka sekumpula kombas yag mugk (opportuty set). Opportuty set merupaka keseluruha portofolo yag bsa dtemuka dalam sebuah kelompok yag terdr dar saham. Bag vestor yag cederug meghdar rsko umumya aka tertark ke portofolo yag mempuya rsko terkecl utuk level retur yag sama. Ttk A

13 19 merupaka global mmum-varace karea tdak ada mmum-varace la yag mempuya rsko lebh kecl. Segme bawah AC aka ddomas oleh segme atas AB. Sebaga cotoh portofolo P yag mempuya tgkat retur yag lebh tgg dar portofolo Q dega tgkat rsko yag sama, sehgga vestor aka selalu memlh portofolo P. Segme AB yag dkeal dega effcet froter. Froter adalah kurva yag meggambarka kemugka stadar devas (rsko) yag teredah yag dcapa utuk portofolo expected retur yag dberka. Dar data expected retur, stadar devas da kovaras, kta dapat meghtug mmum varace portofolo utuk setap target expected retur. Dar kurva effcet froter, portofolo yag terletak d sepajag kurva AB adalah kumpula portofolo yag efse d maa portofolo tersebut mempuya rsko terkecl utuk expected retur yag sama, atau expected retur terbesar utuk tgkat rsko yag sama. Sedagka utuk portofolo yag terletak d bawah kurva AB adalah kumpula portofolo yag dkategorka tdak efse. Solus dar model Markowtz bergatug dar bobot portofolo atau propors daa yag dalokaska ke masg-masg saham yag membetuk portofolo. Karea stadar devas, expected retur da kovaras adalah put dalam aalss model Markowtz, maka bobot saham dalam portofolo adalah satu-satuya varabel yag bsa dmapulas utuk mecar ttk maksmal portofolo. 2.8 Algortma Crtcal Le Markowtz megembagka algortma yag damaka algortma Crtcal Le utuk meghaslka kurva effcet froter.

14 Fugs Utltas Portofolo Dalam teor portofolo Markowtz, suatu portofolo memlk fugs utltas up sebaga berkut. up = ep vp / rt d maa : = ( 1, 2, 3,..., ) ep = T * e = retur portofolo vp = T * C * = varas portofolo Up = fugs utltas portofolo rt = rsk tolerace (toleras rsko) = matrks propors masg-masg saham dalam portofolo e = matrks la retur masg-masg saham v = matrks varas masg-masg saham C = matrks kovaras atar saham-saham Nla utltas portofolo up dsebut juga rsk-adjusted retur dar suatu portofolo karea merupaka hasl dar retur portofolo dkurag dega palt rsko ( vp / rt ). Rsk tolerace adalah sebuah agka o egatf yag megukur seberapa besar toleras seorag vestor terhadap rsko utuk mecapa retur tertetu Fugs Objektf Fugs objektf yag dguaka utuk meyeleks portofolo yag efse adalah sebaga berkut :

15 21 dega batasa fugs kedala : Max ( up = ep vp / rt ) = 1 x = 1 d maa : Lb Ub = propors saham ke- dalam portofolo Lb = la batas bawah utuk saham ke- Ub = la batas atas utuk saham ke- Batasa fugs kedala d atas meyataka bahwa jumlah propors dar setap saham yag terdapat dalam satu portofolo harus berla 1. memlk la batas bawah da la batas atas dalam hal adalah la mmum da maksmum propors saham ke- tersebut dalam portofolo. Nla default batas bawah da batas atas adalah 0 da 1. Nla batas bawah berart propors dar suatu saham dalam portofolo adalah mmum 0 %. Sedagka la batas atas berart propors dar suatu saham dalam portofolo adalah maksmum 100%. Fugs kedala = 1 dapat dtuls dalam betuk persamaa A = b. x = 1 Matrks A adalah matrks berukura m x da matrks b adalah matrks vektor berukura m x 1. Persamaa A = b sama dega betuk persamaa berkut. a K + a1 = b1 a + K+ a = b m1 1 m m Dalam kasus, dkareaka haya ada costrat = 1 maka la m = 1 x = 1

16 22 sehgga berlaku a 11 = a 12 = a 1 = 1. Dalam kalkulus dfferesal, utuk medapatka la maksmum dar suatu fugs kta dapat megguaka turua parsal terhadap masg-masg varabel. Utuk fugs utltas Up, turua parsalya terhadap adalah berkut : mu( ) = up ( ) = ep vp (1/ rt) * ( ) ( ) dega ep = e( ) ( ) vp ( ) = bars ke dar 2* Cov( ) Dega demka mu() dapat dtuls ulag mejad mu ( ) = e( ) (1/ rt) *[2* C(,1) * (1) + 2* C(,2) * (2) + K + 2* C(, ) * ( )] Dega megambl asums Lb() = - ~ da Ub() = + ~, maka dapat ddefska mu() = mup d maa mup merupaka sebuah la kosta. e ( ) (1/ rt) *[2* C(,1) * (1) + 2* C(,2) * (2) + K + 2* C(, ) * ( )] = mup Meggat = 1, maka persamaa d atas dmodfkas mejad berkut : x = 1 2* C (,1) * (1) + 2* C(,2) * (2) + K + 2* C(, ) * ( ) + tmup = rt * e( ) dega tmup = rt * mup. Semua kods d atas dapat dragkum dalam satu persamaa matrks D*y = k + rt * f. 2* Cov(1,1) M 2* Cov(,1) 1 L L L 1 2* Cov(1, ) M 2* Cov(, ) 1 1 (1) 0 e(1) 1 M = 0 + M * rt * 1 ( ) 0 e( ) 0 tmup 1 0

17 Lagrage Multpler Model persamaa fugs objektf d atas merupaka model permasalaha pemrograma o lear. Utuk meyelesaka masalah pemrograma o lear, dapat dguaka pegal Lagrage λ dega membetuk persamaa Lagrage. Sebaga cotoh, terdapat permasalaha berkut. Maksmumka f = f() dega kedala g() = b Fugs Lagrageya dapat dtuls sebaga berkut. L(, λ ) = f ( ) + λ( g( ) b) Persamaa tersebut harus memeuh syarat : L (,, λ) = 0 L(,, ) d maa =1, 2,..., da λ = 0 λ. Utuk model masalah seleks portofolo, fugs objektf up = ep vp / rt dapat dubah mejad vup = rt * ep vp dalam koteks varas. Dega demka, maka model permasalaha seleks portofolo mejad sebaga berkut : Maksmumka fugs f() = up = rt * ep vp dega kedala A = b da Lb Ub Fugs Lagrageya dapat dtuls sebaga berkut. L = rt * ep + g *[ b(1) A(1,:)* ] dega L ( ) = rt * e( ) 2* C(,:)* g d maa g = pegal Lagrage.

18 24 Persamaa d atas dapat dtuls dalam betuk persamaa matrks berkut. L = rt * e 2* C( ) g L = rt * f D* y Kods Kuh-Tucker Kods Kuh-Tucker dguaka utuk megdetfkas statoary pots atas permasalaha oler dega batasa masalah berupa pertdaksamaa. Msalka masalah : Maksmumka z = f() dega = { 1, 2,..., } t dega kedala g j () <= 0 dega j = 1, 2,..., m Batasa masalah berupa pertdaksamaa dapat dubah mejad persamaa persamaa dega megguaka varabel slack. Dguaka S 2 (>= 0) mejad slack quatty yag dtambahka ke batasa masalah ke- dar g () <= 0 da tetuka: S = (S 1, S 2,..., S m ) T da S 2 = (S 1 2, S 2 2,..., S m 2 ) T d maa m merupaka jumlah dar batasa pertdaksamaa. Fugs Lagrageya dberka sebaga berkut : dega batasa masalah g ( ) 0. L (, S, λ ) = f ( ) λ[ g( ) + Kods yag dbutuhka utuk optmalsas adalah λ merupaka o egatf utuk masalah maksmas. Vektor λ megukur tgkat varas dar f dega megacu kepada g, yatu : 2 S ] λ = f g

19 25 Dalam kasus maksmas, ss sebelah kaa dar batasa g() <= 0 berubah dar 0 mejad g ( > 0), soluto space mejad lebh sedkt dbatas da f tdak dapat meuru. Hal berart λ 0. Sama halya dega kasus mmas,sejala dega ss sebelah kaa dar batasa meuru, f tdak dapat meuru, yag meyataka λ 0. Bla batasa masalahya berupa persamaa, yatu g() = 0, maka λ mejad tdak terbatas dalam tada. Sekarag aka dturuka secara sebaga dar L megacu kepada, S, da λ maka ddapat : L f ( ) g( ) = λ = 0 L S = 2λ S = 0, = 1,2, K, m L = ( g( ) + S λ 2 ) = 0 Set kedua dar persamaa-persamaa meujukka hasl sebaga berkut : 1. Jka λ 0, maka S 2 = 0 2. Jka S 2 0, maka λ = 0 Dar set kedua da ketga dar persamaa ddapat : λ g, ( ) = 0, = 1,2, K Kods baru megulag peryataa sebelumya, karea jka λ > 0, ( ) = 0 maka S 2 = 0 da jka g ( ) 0, S 0 maka λ = 0. g m > 2 > Kods Kuh-Tucker utuk masalah maksmas dapat dragkum sebaga berkut : λ 0 f ( ) λ g( ) = 0

20 26 λ g, ( ) = 0, = 1,2, K g ( ) 0 m Corer Portfolo Corer Portfolo memag peraa petg dalam algortma Crtcal Le. Corer portfolo adalah portofolo utuk la rt tertetu d maa ada varabel propors () yag aka berubah bobot da statusya. Utuk mecar portofolo optmal utuk la rt tertetu, persamaa D*y = k + rt * f dapat dmodfkas mejad DD * y = kk+ rt * ff dega cara megeluarka varabel yag tdak masuk dalam la batasa batas bawah da batas atas. Matrks y merupaka portofolo optmal utuk la rt tertetu dapat dcar dega rumus berkut. y = v( DD) * kk + rt * v( DD) * ff Utuk meghaslka kurva effcet froter, haya dperlu dcar semua corer portfolo yag ada. 2.9 Rekayasa Prat Luak Meurut Pressma (2001, p6), prat luak adalah : 1. Istruks struks (program komputer) yag jka djalaka aka meyedaka fugs yag dperluka. 2. Struktur data yag memugkka program utuk memapulas formas. 3. Dokume yag meyataka operas da keguaa program. Meurut Frtz Bauer (Pressma, 2001, p19), rekayasa prat luak adalah

21 27 peetapa da pemakaa prsp-prsp rekayasa dega tujua utuk medapatka prat luak yag ekooms, terpercaya, da bekerja secara efse pada mes yag sebearya (komputer). Meurut Pressma (2001, p19), rekayasa prat luak terbag mejad 3 lapsa yag mampu megotrol kualtas dar prat luak, yatu : a. Proses (Process) Proses merupaka lapsa palg dasar dalam rekayasa prat luak. Proses dar rekayasa prat luak adalah perekat yag meyatuka lapsa-lapsa tekolog da memugkka pegembaga yag rasoal daperodk dar prat luak komputer. b. Metode (Methods) Metode dar rekayasa prat luak meyedaka secara tekkal bagamaa membagu sebuah prat luak. Metode melput sekumpula tugas yag luas, termasuk d dalamya, aalss kebutuha, peracaga, kostruks program, peguja da pemelharaa. Metode dar rekayasa prat luak bergatug pada sekumpula prsp dasar yag memertah masg-masg area tekolog da memasukka pemodela aktvtas, serta tekk deskrptf laya. c. Alat Batu (Tools) Alat batu dar rekayasa prat luak meyedaka dukuga otomats atau sem otomats utuk proses da metode. Ketka alat batu dtegras, fromas aka dcptaka oleh sebuah alat batu yag dapat dguaka oleh laya, sebuah sstem utuk medukug pegembaga prat luak, yag dsebut computer-aded software egeerg (CASE). CASE meggabugka prat luak, peragkat keras, da database prat luak utuk mecptaka

22 28 lgkuga rekayasa prat luak yag sejala dega CAD / CAE (computeraded desg / egeerg ) utuk peragkat keras. Meurut Pressma (2001, p28), dalam peracaga prat luak, dkeal lear sequetal model atau yag lebh dkeal dega sebuta classc lfe cycle atau waterfall model. Model meyaraka pedekata yag sstematk da beruruta dalam pegembaga prat luak yag melalu aalss, desa da pegkodea, peguja, da pemelharaa. Model melput seragkaa aktvtas, yatu : a. Rekayasa da pemodela sstem Karea prat luak merupaka sebuah baga dar sstem yag besar, maka yag besar, maka yag perlu dlakuka pertama kal adalah meetapka kebutuha utuk seluruh eleme sstem da megalokaska sebaga dar kebutuha tersebut ke prat luak. b. Aalss kebutuha prat luak Utuk dapat megert t dar program yag dbagu, dperluka pegerta aka formas yag dperluka oleh prat luak. c. Peracaga Peracaga prat luak sebearya merupaka sebuah proses yag terdr dar bayak kegata, yag metkberatka pada 4 atrbut dar program yatu : struktur data, arstektur prat luak, represetas, da detl prosedur. d. Pegkodea Dalam pegkodea, peracaga yag telah dlakuka dterjemahka ke betuk yag dmegert oleh komputer.

23 29 e. Peguja Peguja dlakuka terhadap prat luak yag telah dracag apakah sesua da telah memeuh krtera yag g dcapa. f. Pemelharaa Pemelharaa dlakuka utuk megatspas terhadap terjadya kesalaha karea perubaha sstem atau pegkata kebutuha peggua aka fugs baru. Gambar 2.2 Waterfall Model (Pressma, 1992, p25) 2.10 Qt Framework Qt adalah toolkt yag dguaka utuk membagu aplkas berbass GUI d Ux. Qt dkembagka oleh Trolltech da mejad fodas utuk pegembaga

24 30 K Desktop Evromet (KDE), sela juga telah dperguaka dalam berbaga aplkas komersal. Qt dgologka sebaga software ope-source karea dlses dual yatu Geeral Publc Lcese (GPL) da Q Publc Lcese (QPL). Qt dracag utuk pegembaga aplkas dega C++. Oleh kareaya, Qt bers sekumpula kelas-kelas yag tggal dmafaatka saja, mula dar urusa atarmuka (user terface), operas put ouput, etworkg, tmer, template lbrary, da la-la. Qt medukug peuh Ucode (mula vers 2.0) sehgga urusa teratoalzato (18) da ecodg teks buka mejad masalah. Qt juga meawarka dukuga platform yag luas yak MS Wdows, GNU Lux da Mac OS. Dega demka, program Qt dapat dkomplas ulag d masg-masg sstem operas da djalaka. Walaupu merupaka free software, Qt terbukt stabl da legkap. Dbadgka toolkt la, Qt juga mudah utuk dpelajar da dlegkap dega dokumetas da tutoral yag rc.

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak BAB III METODE PENELITIAN 3.1 Lokas da Waktu Peelta Peelta dlakuka d PT. Mulya Agro Botekolog yag terletak Perumaha Tegalgodo Asr Blok H III No. 10 Kecamata Karagploso, Kabupate Malag. Pemlha lokas peelta

Lebih terperinci

Penurunan Persamaan Perpetuitas dan Anuitas

Penurunan Persamaan Perpetuitas dan Anuitas SEMINR NSIONL MTEMTIK DN PENDIDIKN MTEMTIK UNY 2016 Peurua Persamaa Perpetutas da utas T - 6 Bud Fresdy Fakultas Ekoom da Bss Uverstas Idosa bstrak Mahasswa bss da akutas, debtor bak, da vestor memerluka

Lebih terperinci

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 3 (014), hal 15. PENGGUNAAN VALUE AT ISK DALAM ANALISIS ISIKO PADA POTOFOLIO SINGLE INDEX MODEL (Stud Kasus Data Saham LQ 45) Ed Saputra, Neva

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA

BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA BAB III PEMBENTUKAN SKEMA PEMBAGIAN RAHASIA 3. Pegkodea Matrks Ketetaggaa Matrks ketetaggaa A adaah matrks smetr, sehgga, dega memh semua eeme pada dagoa utama da eeme-eeme dbawah dagoa utama, maka aka

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Waktu da tempat peelta Dalam upaya pelaksaaa peelta,maka peelt melakukaya pada : 1. Tempat Peelta Gua memperoleh data yag dperluka dalam peulsa Skrps yag berjudul Pembetuka

Lebih terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL DENGAN MENGGUNAKAN MODEL INDEKS TUNGGAL (Studi Pada Saham Jakarta Islamic Index (JII) Periode )

ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL DENGAN MENGGUNAKAN MODEL INDEKS TUNGGAL (Studi Pada Saham Jakarta Islamic Index (JII) Periode ) ANALISIS PEMBENTUKAN PORTOFOLIO OPTIMAL DENGAN MENGGUNAKAN MODEL INDEKS TUNGGAL (Stud Pada Saham Jakarta Islamc Idex (JII) Perode 011-013) M. Bagus Wsambud Negah Sudjaa Topowjoo Fakultas Ilmu Admstras

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita.

Pada saat upacara bendera, kita sering memperhatikan teman-teman kita. Bab Ukura Data Pada saat upacara bedera, kta serg memperhatka tema-tema kta. Terkadag tapa sadar kta membadgka tgg redah sswa dalam upacara tersebut. Ada yag tggya 170 cm, 165 cm, 150 cm atau bahka 140

Lebih terperinci

Tabel Distribusi Frekuensi

Tabel Distribusi Frekuensi Tabel Dstrbus Frekues Tabel dstrbus frekues adalah susua data meurut kelas-kelas terval tertetu atau meurut kategor tertetu dalam sebuah daftar. Dar dstrbus frekues, dapat dperoleh keteraga atau gambara

Lebih terperinci