PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA ADAPTIF CLUSTER

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA ADAPTIF CLUSTER"

Transkripsi

1 PEAKI AIO UTUK ATA-ATA POPUAI PADA AMPIG ACAK BETATA ADAPTIF CUTE Dita Ardii uam Efedi Buami Maasisa Program Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetaua Alam Uiversitas iau Kampus Biaida Pekabaru 893 Idoesia ABTACT Tis article discusses to ratio eimators for te populatio mea i ratified adaptive cluer radom samplig te ratio eimator for te populatio mea ad ratio eimator for te populatio mea bot proposed b ipapor Cutima publised i Tailad tatiicia Joural [] All eimators are biased eimators Te te mea square errors are determied for eac eimator Futermore te mea square error of eac eimator ill be compared to obtai a efficiet ratio eimator A umerical eample is give at te ed of te discussio Keords: ratio eimator ratified adaptive cluer radom samplig biased mea square error ABTAK Pada artikel ii dibaas dua peaksir pada samplig acak berrata adaptif cluer aitu peaksir rasio utuk rata-rata populasi da peaksir rasio utuk rata-rata populasi ag diajuka ole ipapor Cutima pada jural Tailad tatiicia [] Kedua peaksir ii adala peaksir bias Kemudia ditetuka mea square error dari masig-masig peaksir elajuta mea square error dari kedua peaksir tersebut aka dibadigka utuk medapatka peaksir rasio ag efisie Coto umerik diberika pada akir pembaasa Kata Kuci: peaksir rasio samplig acak berrata adaptif cluer bias mea square error PEDAHUUA Metode samplig merupaka suatu cara pegumpula data dimaa aa sebagia dari eleme populasia saja ag diteliti Hasil dari aalisa data ag tela diola disimpa dalam atiik sampel da diguaka utuk meaksir parameter dari populasi ilai rata-rata dalam sampel diguaka utuk meaksir ilai rata-rata dalam populasi Dalam artikel ii diteliti populasi dibatu dega iformasi ag

2 terkadug dalam variabel tambaa aitu populasi seigga diguaka peaksir rasio dega megambil ubuga atara variabel da variabel tambaa Peaksir rasio merupaka suatu metode ag diguaka utuk meigkatka ketelitia suatu peaksir Peaksir rasio ag dibaas pada artikel ii adala peaksir ag bias dimaa peaksir ag efisie utuk peaksir bias adala peaksir ag memiliki mea square error (ME) terkecil emaki kecil ME ag diperole maka semaki efisie peaksir ag diperole [] Utuk medapatka peaksir rasio ag efisie adala dega membadigka ME dari masig-masig peaksir Artikel ii megkaji ulag jural Tailad tatiicia ag berjudul A atio Eimator i tratified Adaptive Cluer amplig ole ipapor Cutima [] dega memakai coto ag lai AMPIG ACAK EDEHAA Metode utuk megambil sampel dari populasi dimaa setiap eleme populasi memiliki kesempata ag sama utuk terpili sebagai aggota sampel adala suatu metode samplig acak sederaa Probabilitas terpilia uit sampel dari uit populasi pada pegambila pertama adala probabilitas pada pegambila kedua adala sampai probabilitas pada pegambila ke- aitu alu probabilitas seluru uit ag terpili pada pegambila adala ata-rata sampel adala C i i Utuk pearika sampel sederaa variasi da kovariasi rata-rata sampel secara berturut-turut adala Var f Cov i i dega i f i meataka baaka populasi i meataka baaka sampel i meataka baaka sampel pada uit ke-i i meataka baaka sampel pada uit ke-i meataka rata-rata populasi da meataka rata-rata populasi 3 AMPIG ACAK BETATA Pada samplig acak berrata populasi berukura diratifikasi mejadi beberapa rata kemudia sampel diambil secara acak dari setiap rata Pada samplig ii proporsi jumla sampel atar rata adala sama dega proporsi jumla eleme atar

3 rata Populasi dibuat mejadi beberapa ratum aitu populasi pada ratum ke- adala dega 3 4 l ratum Ukura Peaksir utuk rata-rata populasi pada samplig acak berrata adala dega l da i i Utuk pegambila sampel pada samplig acak berrata variasi da kovariasi dari berturut-turut adala: E Var l E l l 4 AMPIG ACAK CUTE amplig acak cluer merupaka pegambila sampel dimaa setiap samplig uit terdiri dari kumpula atau kelompok eleme-eleme populasi Pada samplig ii populasi terdiri dari beberapa cluer dimaa setiap cluer berisi K uit ag bersifat eteroge sedagka atar cluer bersifat omoge Kemudia dari beberapa cluer tersebut diambilla sampel dega megguaka samplig acak sederaa Misalka populasi terdiri dari beberapa K cluer dari M uit populasi maka pegambila k sampel dari populasi cluer dapat digambarka dega megguaka metode samplig acak sederaa Peaksir utuk rata-rata populasi pada samplig acak cluer aitu k k i k i dega k merupaka peaksir ag bias utuk 5 AMPIG ACAK BETATA ADAPTIF CUTE Pada samplig acak berrata adaptif cluer populasi dibagi mejadi rata Utuk setiap rata bersifat omoge sedagka utuk atar rata bersifat eteroge tratumratum ag tela terbetuk kemudia diaggap mejadi cluer elajuta diambil sampel dari setiap ratum dega megguaka samplig acak sederaa tapa pegembalia Ketika uit terambil mejadi aggota sampel maka semua uit ag berada pada cluer tempat uit tersebut berasal ag belum mejadi aggota sampel selajuta diambil mejadi aggota sampel [5] 3

4 Populasi ag bersifat eteroge dibagi mejadi rata dimaa ratum terdiri dari uit ag bersifat omoge da total jumla uit dalam populasi diotasika dega Uit u i pada populasi ag meataka uit ke-i pada ratum berubuga dega variabel ag diteliti i Peaksir rata-rata populasia adala i i dega i i mi Utuk pegambila sampel pada samplig acak berrata adaptif cluer variasi da kovariasi dari berturut-turut adala: Cov Var i i dega W i W W 6 PEAKI AIO UTUK ATA-ATA POPUAI PADA AMPIG ACAK BETATA Peaksir rasio utuk rata-rata populasi adala dega pada samplig acak berrata utuk rata-rata ˆ ˆ merupaka peaksir utuk rasio meataka rata-rata sampel pada ratum berkarakter meataka rata-rata sampel pada ratum dari variabel tambaa berkarakter da meataka rata-rata populasi berkarakter Bias da ME peaksir rasio B ME adala 4

5 Peaksir rasio utuk rata-rata populasi pada samplig acak berrata ag diajuka ole Kadilar da Cigi [4] adala p dega 0 ilai dapat diperole dega memiimumka ME dari peaksir rasio p da p adala peaksir rasio utuk rata-rata populasi pada samplig acak berrata ag diajuka Bias da ME dari peaksir rasio p adala ilai B p ME p ag diperole dega memiimumka ME aitu ME p dari persamaa ii diperole 7 PEAKI AIO UTUK ATA-ATA POPUAI PADA AMPIG ACAK BETATA ADAPTIF CUTE Metode peaksir rasio merupaka sala satu dari cara peaksir utuk membuat perkiraa ag baik dari data Metode ii diguaka dega tujua utuk memperole peigkata ketelitia dega megambil mafaat ubuga atara variabel da variabel tambaa Peaksir rasio utuk rata-rata populasi pada samplig acak berrata adaptif cluer adala _ ˆ dega meataka rata-rata sampel utuk pegambila sampel secara acak berrata adaptif cluer berkarakter baaka sampel pada ratum i i i i i 0 meataka m meataka jumla variabel ag mejadi peratia pada jariga dalam uit i dari sampel aal pada ratum _ meataka rata-rata sampel utuk pegambila sampel secara acak 5

6 berrata adaptif cluer berkarakter i i i i mi meataka jumla variabel ag mejadi peratia pada jariga dalam uit i dari sampel aal pada ratum m i meataka baaka uit pada jariga ˆ meataka _ peaksir utuk rasio _ rata-rata dari populasi da ˆ meataka rasio dari rata-rata sampel utuk samplig acak _ berrata adaptif cluer Bias da ME dari peaksir _ B ME _ i _ adala () i dega da _ i i i _ Betuk dari peaksir rasio utuk rata-rata populasi ag diajuka ole ipapor Cutima [] adala p dega 0 p _ adala peaksir rasio ag diajuka ole ipapor Cutima utuk rata-rata populasi pada samplig acak berrata adaptif cluer da ilai dapat diperole dega memiimumka ME dari peaksir rasio p _ Bias da ME dari peaksir _ adala B p _ p i _ i _ ME p () ilai dapat diperole dega memiimumka ME dari peaksir rasio p _ dega turua ME teradap adala ol Maka ME p p _ ME 0 _ 6

7 8 PEAKI AIO AG EFIIE Peaksir ag efisie ditetuka dega cara membadigka ME dari masig-masig peaksir Perbadiga atara persamaa () da persamaa () sebagai berikut Misalka: _ v maka ME p _ ME _ v (3) Dari persamaa (3) terdapat kemugkia aitu ME p _ <ME _ jika v 0 ME p _ >ME _ jika v 0 9 COTOH Pada pembaasa coto diguaka data produksi jagug di Idoesia dega iformasi tambaa aitu luas laa pae di tiap-tiap provisi di Idoesia dari Bada Pusat tatiik pada tau 0 [3] Data asil produksi jagug disajika pada Tabel Tabel : Hasil perituga Jumla Produksi Jagug didasarka uas aa Pae di Idoesia pada Tau 0 dega megguaka Microsoft Ecel _

8 Dega mesubitusika ilai-ilai ag diperole pada Tabel ke persamaa () da () maka diperole Tabel : ME masig-masig peaksir o Peaksir ME p _ Dari Tabel diperole baa ME _ ME p _ jika atau KEIMPUA Dari pembaasa di atas dapat disimpulka baa peaksir rasio utuk rata-rata populasi pada samplig acak berrata adaptif cluer _ lebi efisie dari peaksir rasio utuk rata-rata populasi pada samplig acak berrata adaptif cluer ag diajuka _ p _ DAFTA PUTAKA [] Cutima 00 A e asio Eimator i tratified Adaptive Cluer amplig Tailad tatiica 8(): 3-33 [] Cocra W G 977 Tekik Pearika ampel Edisi Ketiga Terjemaa amplig Teciques ole udiasa & E Osma Uiversitas Idoesia Jakarta [3] ttp://bpsgoid/tm_pg Diugga pada 05 Desember 03 [4] Kardilar C da Cigi H 003 atio eimators i tratified adom amplig Biometric Joural 45: 8-5 [5] Tompso K 00 amplig e ork: Wile 8

9 AMPIA Tabel uas aa Pae-Produksi Taama Jagug eluru Provisi di Idoesia pada Tau 0 o Provisi uas aa Pae (Ha) Produksi (To) Ace umatra Utara umatra Barat iau Jambi umatera elata Begkulu ampug Bagka Belitug Kepulaua iau DKI Jakarta Jaa Barat Jaa Tega DI ogakarta Jaa Timur Bate Bali usa Teggara Barat usa Teggara Timur Kalimata Barat Kalimata Tega Kalimata elata Kalimata Timur ulaesi Utara ulaesi Tega ulaesi elata ulaesi Teggara Gorotalo ulaesi Barat Maluku Maluku Utara Papua Barat Papua umber: ttp://bpsgoid/tm_pg 9

PENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA

PENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas

Lebih terperinci

PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA

PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA PENAKSIR RANTAI RASIO DAN RANTAI PRODUK YANG EFISIEN UNTUK MENAKSIR RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA V. M. Vidya *, Bustami, R. Efedi Mahasiswa Program S Matematika Dose Jurusa Matematika

Lebih terperinci

PENAKSIR RASIO DAN PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SISTEMATIK

PENAKSIR RASIO DAN PRODUK YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SISTEMATIK PENAKI AIO DAN PODUK ANG EFIIEN UNTUK ATA-ATA POPULAI PADA AMPLING AAK ITEMATIK D. L. Pratiwi *, A. Ada,. ugiarto Mahasiswa Program Matematika Dose Jurusa Matematika Fakultas Matematika da Ilmu Pegetahua

Lebih terperinci

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KUARTIL DARI KARAKTER TAMBAHAN PADA SAMPLING ACAK SEDERHANA

PENAKSIR RASIO UNTUK VARIANSI POPULASI MENGGUNAKAN KUARTIL DARI KARAKTER TAMBAHAN PADA SAMPLING ACAK SEDERHANA PEAKIR RAIO UTUK VARIAI POPULAI MEGGUAKA KUARTIL DARI KARAKTER TAMBAHA PADA AMPLIG ACAK EDERHAA Ari Elvita *, Arima Ada, Hapoa irait Mahaiwa Program Matematika Doe Jurua Matematika Fakulta Matematika da

Lebih terperinci

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN

PENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas

Lebih terperinci

PENAKSIR YANG EFISIEN DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA. Mahasiswa Program S1 Matematika

PENAKSIR YANG EFISIEN DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA. Mahasiswa Program S1 Matematika PEAKIR AG EFIIE DARI KOMIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPUAI PADA AMPIG ACAK ERTRATA tevani amosir * Arisman Adnan Haposan irait Maasisa Program Matematia Dosen Jurusan Matematia Faultas Matematia

Lebih terperinci

Diselenggarakan: 9 JULI 2014

Diselenggarakan: 9 JULI 2014 Diseleggaraka: 9 JULI 2014 Metodologi Populasi: seluru pemili yag tersebar di 478.833 TPS secara asioal. Sampel suara pemili dipili dega metode Stratified-Cluster Radom Samplig. Prosedur pemilia sampel:

Lebih terperinci

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang

II. LANDASAN TEORI. Sampling adalah proses pengambilan atau memilih n buah elemen dari populasi yang II. LANDASAN TEORI Defiisi 2.1 Samplig Samplig adalah proses pegambila atau memilih buah eleme dari populasi yag berukura N (Lohr, 1999). Dalam melakuka samplig, terdapat teori dasar yag disebut teori

Lebih terperinci

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA

BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA BAB III PERUMUSAN PENDUGA DAN SIFAT SIFAT STATISTIKNYA 3. Perumusa Peduga Misalka N adala proses Poisso o omoge pada iterval [, dega fugsi itesitas yag tidak diketaui. Fugsi ii diasumsika teritegralka

Lebih terperinci

B A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK

B A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK 8 B A B 7 DIFERENSIASI DAN INTEGRASI NUMERIK A. D I F E R E N S I A S I N U M E R I K Misal diberika set data Diketaui set data (, ), (, ), (, ),., (, ) ag memeui relasi = f() Aka ditetuka d/d dalam iterval,

Lebih terperinci

Jurusan Matematika Universitas Riau, Riau 1 Kampus Binawidya Pekanbaru 28293, Indonesia Jurusan Matematika Universitas Riau, Riau 2 ABSTRACT

Jurusan Matematika Universitas Riau, Riau 1 Kampus Binawidya Pekanbaru 28293, Indonesia Jurusan Matematika Universitas Riau, Riau 2 ABSTRACT Proidig emirata05 bidag MIPA BK-PT Barat Uiverita Tajugpura Potiaak PEAKIR RAIO DA PRODUK EKPOEIAL YAG EFIIE UTUK VARIAI POPULAI PADA AMPLIG ACAK EDERHAA EXPOETIAL RATIO AD PRODUCT ETIMATIO FOR POPULATIO

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Jenis data yang digunakan berupa data sekunder yang menggunakan Tabel

BAB III METODOLOGI PENELITIAN. Jenis data yang digunakan berupa data sekunder yang menggunakan Tabel 49 BAB III METODOLOGI PENELITIAN 3.1 Jeis da Sumber Data Jeis data yag diguaka berupa data sekuder yag megguaka Tabel Iput Output Idoesia Tau 2005 dega klasifikasi 9 sektor. Data tersebut berasal dari

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Vol. 8 No., Des. 016, al. 33-40 ISSN 085-1456 ESTIMASI DENSITAS KERNEL ADJUSTED: STUDI SIMULASI Novita Eka Cadra Uiversitas Islam Darul Ulum Lamoga ovitaekacadra@gmail.com Masriai Mayuddi Uiversitas

Lebih terperinci

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N,

Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, DISTRIBUSI SAMLING opulasi da Sampel opulasi : totalitas dari semua objek/ idividu yg memiliki karakteristik tertetu, jelas da legkap yag aka diteliti Sampel : bagia dari populasi yag diambil melalui cara-cara

Lebih terperinci

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM09

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM09 METODE NUMERIK UNTUK SIMULASI Pemodela & Simulasi TM09 Metode Numerik ( Metode umerik dpt diklasiikasika mjd:. Metode satu-lagka atau sigle-step. Metode multistep Metode sigle-step Pada metode ii, utuk

Lebih terperinci

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.

BAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014. BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek

Lebih terperinci

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT PBANDINGAN PENAKSIR REGRESI LINI SEDHANA PADA SAMPLING BPINGKAT, SAMPLING EKSTRIM BPINGKAT DAN SAMPLING MEDIAN BPINGKAT E. W. Aitoag *, Haiso, R. Efedi Mahasiswi Pogam S Matematika Dose Juusa Matematika

Lebih terperinci

METODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR

METODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR Buleti Ilmia Mat. Stat. da Terapaa (Bimaster) Volume 0, No. (0), al 07 6. METODE ADAMS-BASHFORTH-MOULTON DALAM PENYELESAIAN PERSAMAAN DIFERENSIAL NON LINEAR Apriadi, Bau Priadoo, Evi Noviai INTISARI Metode

Lebih terperinci

STUDI PERBANDINGAN METODE SAMPLING ANTARA SIMPLE RANDOM DENGAN STRATIFIED RANDOM

STUDI PERBANDINGAN METODE SAMPLING ANTARA SIMPLE RANDOM DENGAN STRATIFIED RANDOM Jural Basis Data, ICT Researc Ceter UA Vol.3 o. Mei 008 I 978-9483 TUDI ERBADIGA METODE AMLIG ATARA IMLE RADOM DEGA TRATIFIED RADOM urayati Jurusa iem Iformasi, Fakultas Tekologi Komuikasi da Iformatika,

Lebih terperinci

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM07

METODE NUMERIK UNTUK SIMULASI. Pemodelan & Simulasi TM07 METODE NUMERIK UNTUK SIMULASI Pemodela & Simulasi TM07 Metode Numerik ( Metode umerik dpt diklasiikasika mjd:. Metode satu-lagka atau sigle-step. Metode multistep Metode sigle-step Pd metode ii, utuk meetuka

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara

BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula

Lebih terperinci

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi

BAB III TAKSIRAN PROPORSI POPULASI JIKA TERJADI NONRESPON. Dalam bab ini akan dibahas penaksiran proporsi populasi jika terjadi BAB III TAKSIRA PROPORSI POPULASI JIKA TERJADI ORESPO Dalam bab ii aa dibaas peasira proporsi populasi jia terjadi orespo da dilaua allba sebaya t ali. Selai itu, juga aa dibaas peetua uura sampel yag

Lebih terperinci

PENDUGA RATAAN GEOMETRIK PADA SAMPEL HIMPUNAN TERURUT UNTUK DISTRIBUSI NORMAL

PENDUGA RATAAN GEOMETRIK PADA SAMPEL HIMPUNAN TERURUT UNTUK DISTRIBUSI NORMAL JURNAL GANTANG Vol. III No., Maret 208 p-issn. 2503-067, e-issn. 2548-5547 Tersedia Olie di: ttp://ojs.umra.ac.id/idex.pp/gatag/idex PENDUGA RATAAN GEOMETRIK PADA SAMPEL HIMPUNAN TERURUT UNTUK DISTRIBUSI

Lebih terperinci

PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI

PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI PENAKSIR BAYES UNTUK PARAMETER DISTRIBUSI EKSPONENSIAL BERDASARKAN FUNGSI KERUGIAN KUADRATIK DAN FUNGSI KERUGIAN ENTROPI Nadya Zulfa Negsih, Bustami Mahasiswa Program Studi S Matematika Dose Jurusa Matematika

Lebih terperinci

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

BAB II LANDASAN TEORI. Pada bab ini akan dibahas dasar-dasar teori yang akan digunakan BAB II LANDASAN TEORI Pada bab ii aka dibaa daar-daar teori yag aka diguaka dalam peulia kripi ii, yaitu megeai metode peakira maximum likeliood, metode peakira oit maximum likeliood da fier iformatio..1

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture

Lebih terperinci

Pendugaan Parameter. Debrina Puspita Andriani /

Pendugaan Parameter. Debrina Puspita Andriani    / Pedugaa Parameter 7 Debria Puspita Adriai E-mail : debria.ub@gmail.com / debria@ub.ac.id Outlie Pedahulua Pedugaa Titik Pedugaa Iterval Pedugaa Parameter: Kasus Sampel Rataa Populasi Pedugaa Parameter:

Lebih terperinci

h h h n 2! 3! n! h h h 2! 3! n!

h h h n 2! 3! n! h h h 2! 3! n! Dieresiasi Numerik Sala satu perituga kalkulus yag serig diguaka adala turua/ dieresial. Coto pegguaa dieresial adala utuk meetuka ilai optimum (maksimum atau miimum) suatu ugsi y x mesyaratka ilai turua

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

Perbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling

Perbandingan Power of Test dari Uji Normalitas Metode Bayesian, Uji Shapiro-Wilk, Uji Cramer-von Mises, dan Uji Anderson-Darling Jural Gradie Vol No Juli 5 : -5 Perbadiga Power of Test dari Uji Normalitas Metode Bayesia, Uji Shapiro-Wilk, Uji Cramer-vo Mises, da Uji Aderso-Darlig Dyah Setyo Rii, Fachri Faisal Jurusa Matematika,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi

Lebih terperinci

BAB III METODE STRATIFIED RANDOM SAMPLING

BAB III METODE STRATIFIED RANDOM SAMPLING BAB III METODE STRATIFIED RADOM SAMPIG 3.1 Pengertian Stratified Random Sampling Dalam bukunya Elementary Sampling Teory, Taro Yamane menuliskan Te process of breaking down te population into rata, selecting

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga

Lebih terperinci

METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.

METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc. METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu

Lebih terperinci

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel.

II. LANDASAN TEORI. dihitung. Nilai setiap statistik sampel akan bervariasi antar sampel. II. LANDASAN TEORI Defiisi 2.1 Distribusi Samplig Distribusi samplig adalah distribusi probibilitas dari suatu statistik. Distribusi tergatug dari ukura populasi, ukura sampel da metode memilih sampel.

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag

Lebih terperinci

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin

DISTRIBUSI SAMPLING. Oleh : Dewi Rachmatin DISTRIBUSI SAMPLING Oleh : Dewi Rachmati Distribusi Rata-rata Misalka sebuah populasi berukura higga N dega parameter rata-rata µ da simpaga baku. Dari populasi ii diambil sampel acak berukura, jika tapa

Lebih terperinci

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,

Lebih terperinci

BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model.

BAB II LANDASAN TEORI. Pada bagian ini akan dibahas tentang teori-teori dasar yang. digunakan untuk dalam mengestimasi parameter model. BAB II LANDASAN TEORI Pada bagia ii aka dibahas tetag teori-teori dasar yag diguaka utuk dalam megestimasi parameter model.. MATRIKS DAN VEKTOR Defiisi : Trace dari matriks bujur sagkar A a adalah pejumlaha

Lebih terperinci

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah. BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder

Lebih terperinci

Probabilitas dan Statistika Korelasi dan Regresi. Adam Hendra Brata

Probabilitas dan Statistika Korelasi dan Regresi. Adam Hendra Brata Probabilitas da Statistika da Adam Hedra Brata Dua Peubah Acak dua perubah acah X da Y dega rata-rata da diberika oleh rumus : E(XY) - - - Sifat Sifat Sifat kovariasi utuk X da Y diskrit : f(, ) f(, )

Lebih terperinci

Bab 3 Kerangka Pemecahan Masalah

Bab 3 Kerangka Pemecahan Masalah Bab 3 Keragka Pemecaha Masalah 3.1. Metode Pemecaha Masalah Peelitia ii disajika dalam lagkah-lagkah seperti ag terdapat pada gambar dibawah ii. Peajia secara sistematis dibuat agar masalah ag dikaji dalam

Lebih terperinci

Aplikasi Interpolasi Bilinier pada Pengolahan Citra Digital

Aplikasi Interpolasi Bilinier pada Pengolahan Citra Digital Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id

Lebih terperinci

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012

Distribusi Peluang BERBAGAI MACAM DISTRIBUSI SAMPEL. Distribusi Peluang 5/6/2012 5/6/0 Distribusi Peluag BERBAGAI MACAM DISTRIBUSI SAMPEL Distribusi peluag, P( x), adalah kumpula pasaga ilai-ilai variabel acak Cotoh: Jika dua buah koi dilempar bersamaa. Kejadia bayakya mucul agka.

Lebih terperinci

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi. Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

STATISTIK PERTEMUAN VIII

STATISTIK PERTEMUAN VIII STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag

Lebih terperinci

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu:

Statistika dibagi menjadi dua, yaitu: 1. Statistika Deskriftif 2. Statistik Inferensial Penarikan kesimpulan dapat dilakukan dengan dua cara, yaitu: Peaksira Parameter Statistika dibagi mejadi dua yaitu:. Statistika Deskriftif 2. Statistik Iferesial Pearika kesimpula dapat dilakuka dega dua cara yaitu:. Peaksira Parameter 2. Pegujia Hipotesis Peaksira

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma

Lebih terperinci

Titik Berat. da y. Suatu elemen da

Titik Berat. da y. Suatu elemen da Titik Berat da Suatu eleme da Titik erat atau pusat suatu luasa adala suatu titik dimaa luasa terkosetrasi da tetap meiggalka mome ag tidak erua teradap semarag sumu. Pada umuma leak titik erat diataka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1.Tempat da Waktu Peelitia ii dilakuka di ligkuga Kampus Aggrek da Kampus Syahda Uiversitas Bia Nusatara Program Strata Satu Reguler. Da peelitia dilaksaaka pada semester

Lebih terperinci

PENAKSIR RASIO-PRODUK EKSPONENSIAL YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

PENAKSIR RASIO-PRODUK EKSPONENSIAL YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA PENAIR RAIO-PRODU EPONENIAL YANG EFIIEN UNTU RATA-RATA POPULAI PADA AMPLING ACA BERTRATA Dess Nuralita 1*, Ruam Efendi, Haposan irait 1 Maasiswa Program 1 Matematia Dosen Jurusan Matematia Faultas Matematia

Lebih terperinci

Projek. Contoh Menemukan Konsep Barisan dan Deret Geometri a. Barisan Geometri. Perhatikan barisan bilangan 2, 4, 8, 16,

Projek. Contoh Menemukan Konsep Barisan dan Deret Geometri a. Barisan Geometri. Perhatikan barisan bilangan 2, 4, 8, 16, Projek Himpulah miimal tiga masalah peerapa barisa da deret aritmatika dalam bidag fisika, tekologi iformasi, da masalah yata di sekitarmu. Ujilah berbagai kosep da atura barisa da deret aritmatika di

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya 5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

Bab 7 Penyelesaian Persamaan Differensial

Bab 7 Penyelesaian Persamaan Differensial Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala

Lebih terperinci

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh

BAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

TURUNAN FUNGSI. absis titik C dan absis titik C sama dengan h, maka x 3 = x 1 + h, sehingga gradien garis AC sama dengan

TURUNAN FUNGSI. absis titik C dan absis titik C sama dengan h, maka x 3 = x 1 + h, sehingga gradien garis AC sama dengan TURUNAN FUNGSI. Gardie Garis siggug Kurva Peratika graik ugsi pada gambar berikut. 8 B 6 C A Gambar Titik A, B, da C terletak pada graik, bila absisa berturut-turut,, da, maka koordiat titik A,, B,, da

Lebih terperinci

OBJEK DAN METODE PENELITIAN. Objek ternak yang digunakan adalah itik Damiaking jantan dan betina

OBJEK DAN METODE PENELITIAN. Objek ternak yang digunakan adalah itik Damiaking jantan dan betina 1 III OBJEK DAN METODE PENELITIAN 3.1. Objek da Perlegkapa Peelitia 3.1.1. Objek Peelitia Objek terak yag diguaka adalah itik Damiakig jata da betia produktif dega umur lebih dari 7 bula di Kampug Teras

Lebih terperinci

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET

BAB VII RANDOM VARIATE DISTRIBUSI DISKRET BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka

Lebih terperinci

PENYELESAIAN INTEGRASI NUMERIK DENGAN MATLAB. Ratna Widyati Jurusan Matematika, FMIPA Universitas Negeri Jakarta

PENYELESAIAN INTEGRASI NUMERIK DENGAN MATLAB. Ratna Widyati Jurusan Matematika, FMIPA Universitas Negeri Jakarta Kode Makala M-6 PENYELESAIAN INTEGRASI NUMERIK DENGAN MATLAB Rata Widyati Jurusa Matematika, FMIPA Uiversitas Negeri Jakarta ABSTRAK Metode umerik dapat diguaka utuk megampiri itegrasi yag dapat meyelesaika

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

Distribusi Sampling (Distribusi Penarikan Sampel)

Distribusi Sampling (Distribusi Penarikan Sampel) Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

JENIS PENDUGAAN STATISTIK

JENIS PENDUGAAN STATISTIK ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka

Lebih terperinci

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL

BAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,

Lebih terperinci

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu

Range atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 1, 39-46, April 2002, ISSN : JURNAL MATEMATKA DAN KOMPUTER Vol 5 No, 39-46, April 22, SSN : 4-858 MENCAR SOLUS PENAKSR PARAMETER PADA ANALSS VARANS DENGAN PENDEKATAN GENERAL NVERS Sukestiaro Jurusa Matematika FMPA Uiversitas Negeri

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

Sampling Process and Sampling Distribution Inference : Point and Interval Estimates. Pertemuan 2

Sampling Process and Sampling Distribution Inference : Point and Interval Estimates. Pertemuan 2 Samplig Process ad Samplig Distributio Iferece : Poit ad Iterval Estimates Pertemua 1 CAKUPAN MATERI: Pemahama tetag Samplig Sampel Acak Sederhaa (Simple Radom Samplig SRS) Estimasi Titik (Poit Estimatio)

Lebih terperinci

BAB IV APLIKASI METODE CALLBACK. Dalam bab sebelumnya telah dibahas mengenai cara mengatasi

BAB IV APLIKASI METODE CALLBACK. Dalam bab sebelumnya telah dibahas mengenai cara mengatasi BAB IV APLIKASI METODE CALLBACK Dalam bab sebelumya telah dibahas megeai ara megatasi orespo yaitu dega melakuka allbak pada respode yag tidak merespo. Callbak pada peelitia ii dibatasi haya sampai t =

Lebih terperinci

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL

BAB III PENGGUNAAN METODE EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA GENERAL LINEAR MIXED MODEL BAB III PENGGUNAAN MEODE EMPIRICAL BES LINEAR UNBIASED PREDICION (EBLUP PADA GENERAL LINEAR MIXED MODEL Pada Bab III ii aka dibahas megeai taksira parameter pada Geeral Liear Mixed Model berdasarka asumsi

Lebih terperinci

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. asalkan limit ini ada.

TURUNAN FUNGSI. Definisi. 3.1 Pengertian Turunan Fungsi. Turunan fungsi f adalah fungsi f yang nilainya di c adalah. asalkan limit ini ada. 3 TURUNAN FUNGSI 3. Pegertia Turua Fugsi Defiisi Turua fugsi f adala fugsi f yag ilaiya di c adala f c f c f c 0 asalka it ii ada. Coto Jika f 3 + +4, maka turua f di adala f f f 0 3 4 3.. 4 0 34 4 4 4

Lebih terperinci

PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES

PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN METODE BAYES Jural Matematika UNAND Vol. 3 No. 4 Hal. 52 59 ISSN : 233 29 c Jurusa Matematika FMIPA UNAND PENDUGAAN PARAMETER DARI DISTRIBUSI POISSON DENGAN MENGGUNAKAN METODE MAXIMUM LIKEHOOD ESTIMATION (MLE) DAN

Lebih terperinci

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang

LANDASAN TEORI. Secara umum, himpunan kejadian A i ; i I dikatakan saling bebas jika: Ruang Contoh, Kejadian, dan Peluang 2 LANDASAN TEORI Ruag Cotoh, Kejadia, da Peluag Percobaa acak adalah suatu percobaa yag dapat diulag dalam kodisi yag sama, yag hasilya tidak dapat diprediksi secara tepat tetapi dapat diketahui semua

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH 89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas

Lebih terperinci

Distribusi Sampel Sampling Distribution

Distribusi Sampel Sampling Distribution Chapter 5 Studet Lecture otes 5-1 Samplig Distributio Pegatar Distribusi mea Sampel dari ilai Rata-rata Distribusi mea Sampel dari ilai Proporsi Chap 5-1 Distribusi sampel adalah f() distribusi dari ratarata

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

4/19/2016. Regresi Linier Berganda. Regresi Berganda. Model Regresi Berganda. Model Regresi Berganda. Asumsi Regresi Berganda. Model Regresi Berganda

4/19/2016. Regresi Linier Berganda. Regresi Berganda. Model Regresi Berganda. Model Regresi Berganda. Asumsi Regresi Berganda. Model Regresi Berganda 4/9/06 Regresi Liier Bergada Program Studi Tekik Idustri Uiversitas Brawijaa Ihwa Hamdala, ST., MT SI - Regresi & Korelasi Bergada Regresi Bergada Cotoh SI - Regresi & Korelasi Bergada Meguji huuga liier

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Kegiata peelitia ii dilaksaaka pada bula Mei 2011 bertempat di Dusu Nusa Bakti, Kecamata Serawai da Dusu Natai Buga, Kecamata Melawi yag merupaka

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara

Lebih terperinci

TEKNIK SAMPLING PCA SISTEMATIK. Hazmira Yozza Izzati Rahmi HG. Jurusan Matematika FMIPA - Unand

TEKNIK SAMPLING PCA SISTEMATIK. Hazmira Yozza Izzati Rahmi HG. Jurusan Matematika FMIPA - Unand Hazmira Yozza Izzati Rahmi HG TEKNIK SAMPLING PCA SISTEMATIK Jurusa Matematika FMIPA - Uad Defiisi Samplig sistematik adalah metode pearika cotoh yag dilakuka dega cara memilih secara acak satu eleme dari

Lebih terperinci

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto

ESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto Tue 0/04/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato Estimasi : salah satu cara megemukaka peryataa iduktif (meyataka karakteristik populasi dega meggu aka karakteristik yag didapat dari cuplika).

Lebih terperinci

x = μ...? 2 2 s = σ...? x x s = σ...?

x = μ...? 2 2 s = σ...? x x s = σ...? Pedugaa Parameter x 2 sx s = μ...? 2 = σ x...? = σ...? Peduga Parameter Peduga titik yaitu parameter populasi p diduga dega suatu besara statistik, misal: rata-rata, proporsi, ragam, dll Peduga Selag (Iterval)

Lebih terperinci

PENYELESAIAN PERSAMAAN DIFERENSIAL DENGAN METODE ADAMS BASHFORTH MENGGUNAKAN MATLAB

PENYELESAIAN PERSAMAAN DIFERENSIAL DENGAN METODE ADAMS BASHFORTH MENGGUNAKAN MATLAB Jural Ilmia Tekologi da Iformasi ASIA Vol. 3 No. April 009 PENYELESAIAN PERSAMAAN DIFERENSIAL DENGAN METODE ADAMS BASHFORTH MENGGUNAKAN MATLAB Rati Ayuigemi, S. ST Pratyaksa Kepakisa ABSTRAKSI Bayak metode

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel) DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci

Oleh : Bambang Supraptono, M.Si. Referensi : Kalkulus Edisi 9 Jilid 1 (Varberg, Purcell, Rigdom) Hal

Oleh : Bambang Supraptono, M.Si. Referensi : Kalkulus Edisi 9 Jilid 1 (Varberg, Purcell, Rigdom) Hal BAB. Limit Fugsi Ole : Bambag Supraptoo, M.Si. Referesi : Kalkulus Edisi 9 Jilid (Varberg, Purcell, Rigdom) Hal 56 - Defiisi: Pegertia presisi tetag it Megataka bawa f ( ) L berarti bawa utuk tiap yag

Lebih terperinci

BAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa

BAB III METODOLOGI PENELITIAN. kuantitatif karena bertujuan untuk mengetahui kompetensi pedagogik mahasiswa 54 BAB III METODOLOGI PENELITIAN A. Jeis Peelitia Peelitia ii merupaka peelitia deskriptif dega pedekata kuatitatif karea bertujua utuk megetahui kompetesi pedagogik mahasiswa setelah megikuti mata kuliah

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya

Fungsi Kompleks. (Pertemuan XXVII - XXX) Dr. AZ Jurusan Teknik Sipil Fakultas Teknik Universitas Brawijaya TKS 4007 Matematika III Fugsi Kompleks (Pertemua XXVII - XXX) Dr. AZ Jurusa Tekik Sipil Fakultas Tekik Uiversitas Brawijaya Pedahulua Persamaa x + 1 = 0 tidak memiliki akar dalam himpua bilaga real. Pertayaaya,

Lebih terperinci

BAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.

BAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas. BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi

Lebih terperinci

Secara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real:

Secara umum, suatu barisan dapat dinyatakan sebagai susunan terurut dari bilangan-bilangan real: BARISAN TAK HINGGA Secara umum, suatu barisa dapat diyataka sebagai susua terurut dari bilaga-bilaga real: u 1, u 2, u 3, Barisa tak higga merupaka suatu fugsi dega domai berupa himpua bilaga bulat positif

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula

Lebih terperinci

BAB 6: ESTIMASI PARAMETER (2)

BAB 6: ESTIMASI PARAMETER (2) Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,

Lebih terperinci