BAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER
|
|
- Yandi Muljana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III MENYELESAIKAN MASALAH REGRESI YANG TIAK LINIER ENGAN ANALISIS REGRESI FOURIER 3.1 Pengantar Model ARIMA digunaan untu analisis data deret watu pada ategori data berala tunggal, atau sering diategorian model-model univariate. Untu data-data dengan ategori deret berala berganda (multiple), tida bisa dilauan analisis menggunaan model ARIMA, oleh arena itu diperluan model-model multivariate. Model-model yang masu elompo multivariate analisisnya lebih rumit dibandingan dengan model-model univariate. Pada model multivariate sendiri bisa dalam bentu analisis data bivariat (yaitu, hanya data dua deret berala) dan dalam bentu data multivariate (yaitu, data terdiri lebih dari dua deret berala). Salah satu model multivariate yaitu: Analisis Regresi Fourier. Sebagai ilustrasi, beriut ini merupaan beberapa contoh masalah regresi Fourier: Bidang Pertanian Misalan dietahui bahwa terdapat hubungan tida linier antara umlah taraf pemupuan Phospat pada suatu lahan pertanian sebagai variabel bebas X dengan produsi padi yang dihasilan suatu lahan pertanian tersebut sebagai variabel teriat Y. Secara umum produsi padi aan meningat cepat bila pemberian Phospat ditingatan dari taraf rendah e taraf sedang. Tetapi etia pemberian dosis Phospat diterusan hingga taraf tinggi, maa tambahan dosis Phospat tida lagi diimbangi enaian hasil, sebalinya teradi penurunan hasil. 6
2 63 Bidang Pengairan Misalan dietahui bahwa terdapat hubungan tida linier antara umlah elarutan osigen pada suatu sungai sebagai variabel bebas X dengan ualitas air yang dihasilan suatu sungai tersebut sebagai variabel teriat Y. Secara umum ualitas air aan semain bai bila elarutan osigen meningat dari taraf rendah e taraf sedang. Tetapi etia elarutan osigen terus meningat hingga taraf tinggi, maa peningatan elarutan osigen tida lagi diimbangi enaian hasil, sebalinya teradi penurunan hasil. Berdasaran beberapa ilustrasi di atas, maa masalah regresi Fourier didefinisian sebagai beriut : efinisi 3.1 : Misalan dietahui bahwa X dan Y mempunyai hubungan tida linear (diasumsian x dietahui) N ( ) ( α cos ( π ) β sin ( π )) ε [ 3.1] Y = f X = m + x + x + = 1 Jia terdapat nilai dari Y, ataanlah y yang tida dietahui dan nilai dari X (atau sampel aca beruuran N dengan titi untu nilai dari X ) yang berorespondensi dengan y dapat diamati, maa masalah untu menentuan nilai y disebut sebagai masalah regresi Fourier (Thibos, 1993; ; 3). 3. Asumsi Statistia Untu memerisa pengaruh dari noise terhadap oefisien Fourier, harus dietahui sesuatu tentang sifat dasar statistia dari proses noise. ari berbagai
3 64 macam enis noise yang teradi sebenarnya, hal yang paling sederhana dan mudah dieraan dari inti matematia ada dua sifat: 1. Noise bersifat additive. engan ata lain, seperti yang diindiasian pada persamaan [3..1], nilai sampel sama dengan umlah linier dari signal yang berupa sampel dan noise. ( v1 v v3 vn ) f ( x ) f ( x ) f ( x ) f ( x ) v =,,,..., = ( 1 3 N ),,,..., [3..1] ( f ( x1 ) n1 f ( x ) n f ( x3 ) n3 f ( xn ) nn ) v = +, +, +,..., + [3..]. Setiap sampel dari noise n independent dari proses noise (atau populasi) mean nol dan variansi σ. Untu tuuan dari pengantar pembahasan ini, aan diasumsian bahwa edua ondisi tersebut terpenuhi. Satu impliasi dari edua asumsi tersebut adalah noise yang dietahui bersifat independent dari signalnya. engan ata lain, noise tida aan bertambah besar atau ecil arena hanya signal bertambah besar atau ecil. Impliasi lainnya adalah bahwa tiap sampel dari noise bersifat independent secara statistia dari semua nilai noise yang lain dan sebelumnya tergambaran dari populasi yang mempunyai sifat statistia seperti semua sampel lainnya. Artinya, pada argon statistiawan, nilai noise n disebut random variabel dan umpulan dari semua random variabel ini diataan independent dan berdistribusi identi. Hal ini berlawanan dengan asus dimana, dielasan, noise bertambah besar pada ahir percobaan dari awal percobaan yang melanggar asumsi bahwa noise itu
4 65 berdistribusi identi. Contoh hal yang tida independent aan teradi ia nilai noise dengan watu t bergantung pada noise di t 1 beberapa watu sebelumya. Karena setiap titi sampel v pada data vetor diasumsian sebagai umlah dari signal f(x ) dan sampel n dari noise, ini berarti bahwa v sebenarnya merupaan random variabel. Selain itu, arena noise mempunyai mean nol dan noise bersifat additive, itu mengaibatan bahwa mean dari v sama dengan f(x ). engan ata lain, arena signal diasumsian sebagai noise-free, variansi v sama dengan variansi σ dari noise. Kita tulisan esimpulan matematianya sebagai beriut ( ) ( sampel = signal + noise) ( ) ( ) ( ) σ v = f x + n v = f x Var v mean sampel = signal [3..3] = ( variansi sampel = variansi noise) 3.3 Mean dan Variansi Koefisien Fourier untu Signal Noise Mengingat embali dari persamaan [.3.7.6] dan [.3.7.7] bahwa oefisien Fourier yang diperoleh untu data vetor v dinyataan sebagai fungsi basis trigonometri berupa 1 π x a = v cos θ... θ = L = = [ ] 1 π x b = v sin θ... θ = L [ ] dan untu fungsi basis omples esponensial oleh 1 1 π x c = v exp i... =.3.7.7a L = ( θ ) θ [ ]
5 66 Searang berdasaran persamaan [3..3] tiap data vetor adalah umlah signal vetor ditambah noise vetor. Ini artinya bahwa oefisien yang dihitung oleh persamaan [.3.7.6,.3.7.7] dapat dianggap sebagai estimasi oefisien Fourier sebenarnya dari signal tunggal. Untu melihat hal ini, substitusian persamaan [3..3] e dalam [.3.7.6] untu mendapatan 1 ( ( ) ) aˆ = f x + n cos θ = = + = a + ε 1 1 f ( x ) cos θ n cos θ [ 3.3.1] = = imana variabel â adalah nilai perhitungan oefisien Fourier. Hasil ini menyataan bahwa â adalah estimasi oefisien a yang sebenarnya dengan errrornya dinyataan oleh ε. Hasil yang sama digunaan pada oefisien sinus. Hasil yang bersesuaian untu oefisien omples adalah 1 ( ( ) ) ( θ ) 1 cˆ = f x + n exp i = 1 1 = + = c + ε 1 1 f ( x ) exp( iθ ) n exp ( iθ ) [ 3.3.] = = Langah selautnya adalah menyelidii sifat statistia dari estimasi oefisien Fourier. Karena estimasi ini dinyataan sebagai umlah uantitas deterministi a dan random variabel ε, perlu memfousan penyelidian pada bentu random error. ari teori probabilitas dietahui bahwa ia Y merupaan random variabel dengan mean µ dan variansi σ, dan ia s merupaan onstanta
6 67 salar, maa random variabel yang baru Z=sY dengan mean s µ dan variansi s σ. Ini mengaibatan bahwa bentu umum ( )( ) cos θ n pada persamaan [3.3.1] adalah random variabel dengan mean dan variansi ( ) ( ) cos θ σ. Hasil lainnya dari teori probabilitas adalah ia Y dan Z independent, random variabel berdistribusi identi dengan masing-masing mean µ, v dan variansi τ, maa random variabel yang baru W=Y+Z dengan mean µ + v dan variansi σ + τ. Singatnya, mean umlah dan variansi umlah. Penggunaan hasil ini pada penyaian ahir edua persamaan [3.3.1] lihat bahwa ε adalah umlah dari random variabel, masing-masinya memilii mean dan variansi ( ) 4σ cos θ, aibatnya variansi dari ε adalah 4σ Var ε cos σ cos 1 1 = = θ = = ( ) ( ) ( θ ) 4σ σ = = untu σ 4σ = = untu = [ ] Penyederhanaan persamaan [3.3.3] berdasaran fatanya bahwa panang uadrat dari sampel fungsi cos sama dengan /, ecuali etia =, pada asus dimana sama dengan. Munculnya = sebagai asus husus dirasa aga anggal secara matematia. Hal tersebut dapat dihindari dengan membagi oefisien a oleh yang bertuuan untu perhitungan variansi seperti yang telah dilauan pada teorema Parseval (lihat persamaan [3.3.3a]). σ,
7 68 π π a energi = v t dt = + = 1 a + b energi 1 π power = = v ( t) dt watu π ( ) π ( ) 1 a a m = + ( a + b ) = + = 1 = 1 1 a = + a ( + b ) = 1 1 = panang vetor Fourier { } [3.3.3a] Untu oefisien Fourier omples, bentu umum ( ) ( ) random variabel dengan mean dan variansi ( ) ( ) 1 exp iθ n adalah ( ) 1 exp σ iθ. Jumlah dari sebagai random variabel, diberian rumus beriut untu variansi noise Var σ ( ) 1 ( ε ) = exp ( iθ ) = σ σ = = [3.3.3b] Suatu euntungan dari oefisien Fourier omples adalah bahwa bentu onstantanya tanpa asus husus. ari hasil ini, dapat disediaan nilai untu satu, dua statisti tepat dari estimasi oefisien Fourier. ari persamaan [3.3.1] dietahui bahwa random variabel â adalah umlah oefisien deterministi a dan random variabel ε dengan mean nol dan variansi seperti yang diberian pada persamaan [3.3.]. Aibatnya,
8 69 ( ˆ ) Mean a = a σ Var ( aˆ ) = 4σ = untu untu = [3.3.4] dan dengan persamaan yang sama untu estimasi oefisien sin. Persamaan yang sesuai untu oefisien Fourier omples adalah ( ˆ ) Mean c = c σ Var ( aˆ ) = [3.3.4a] Perhatian bahwa arena variansi dari a adalah 4σ maa variansi dari a /, seperti menyataan variansi dari mean, sama dengan σ dan uga standar deviasi dari mean adalah σ. (Hasil ini lebih elas untu c ) Ini seenis dengan hasil dari statistia dasar. Pada statistia, standar deviasi dari mean untu nilai data biasanya disebut standar error dari mean dan sama dengan σ, dimana σ adalah standar deviasi populasi dari data yang dietahui. Ringasan, di bawah asumsi additive, independent noise, variansi dari semua estimasi oefisien Fourier trigonometri (ecuali a ) sama dengan variansi noise diali /. Variansi dari semua estimasi oefisien Fourier omples sama dengan variansi noise diali 1/. Hal ini mengaibatan bahwa cara untu memperecil estimasi variansinya adalah dengan memperbesar, umlah titi sampel. Prosedur tersebut disebut signal-to-noise ratio (SNR) sering digunaan untu menghitung realibilitas dari signal. SNR adalah bagian dari oefisien Fourier yang dinyataan sebagai perbandingan dari mean (sebagai contoh, a )
9 7 dengan standar deviasi σ. ari definisi tersebut, SNR dari estimasi oefisien Fourier bertambah senilai dan berurang senilai σ pada proporsinya, umlah dari noise. 3.4 Probabilitas istribusi dari Koefisien Fourier untu Signal Noise Mean dan variansi berguna untu meringas statisti dari random variabel, tetapi arater yang lebih lengapnya adalah pada bentu probabilitas distribusinya. iberian signal deterministi, probabilitas distribusi oefisien Fourier dihitung untu sampel dari waveform noise yang bergantung pada probabilitas distribusi dari noise yang ditambahan. Seperti asus yang biasa teradi pada analisis dasar dari signal noise, diasumsian dari searang bahwa noise mempunyai epadatan probabilitas Gauss (atau normal), N ( µ,σ ), dari mean µ dan variansi σ. i bawah asumsi tersebut, probabiltas P yang merupaan signal noise yang terleta pada range (a,b) yang diberian pada daerah di bawah fungsi epadatan probabilitas Gauss antara batasnya b 1 ( x µ ) σ P = e dx σ π a [3.4.1] Beberapa anggapan untu asumsi Gauss dapat dipertimbangan. Pertama, banya penelitian noise secara fisia dapat dimodelan dengan bai oleh bagian fungsi probabilitas ini. Hal itu tida mengeutan arena teorema limit pusat dari probabilitas teori probabilitas menyataan bahwa umlah dari bilangan yang besar dari variabel independent cenderung e Gauss tanpa memperhatian probabilitas distribusi dari individu variabelnya, alasan lain adalah bahwa asumsi tersebut
10 71 membuat masalah yang ada mudah dihitung. Suatu hasil dari teori probabilitas adalah bahwa distribusi Gauss deat seali dengan panumlahan, artinya bahwa seumlah nilai dari suatu bilaingan random variabel Gauss bersisa Gauss uga. Karena error variabel ε adalah nilai umlah dari variabel noise, ia noise adalah Gauss maa sealigus merupaan estimasi dari oefisisen Fourier. Singatnya, noise Gauss menghasilan oefisien Fourier Gauss. istribusi Gauss hanya memili dua parameter, mean dan variansi, dimana dietahui dari hasil yang lebih umum dari bagian 3.3 di atas. Sehingga bisa diringas hasil sebelumnya dengan menyataan bahwa estimasi oefisien Fourier berdistribusi seperti random variabel normal (yaitu Gauss) beserta mean dan variansinya uga (baca N berdistribusi normal) ( ) ( ) (, σ ) aˆ N a,σ bˆ N b, σ [3.4.] cˆ N c Random variabel yang menari lainnya adalah pempoweran harmoni e-. seperti yang ditunuan pada persamaan [3.3.3a] dimana power signal adalah satu per uadarat amplitudonya. Selanutnya, estimasi power signal ρ di harmoni e- adalah ( ˆ ˆ ) ρ = mˆ = a + b [3.4.3] ari teori probabilitas dietahui bahwa ia X distandaran random variabel Gauss dengan mean nol dan variansi satu, yaitu ia X (,1), maa variabel Z=X berdistribusi seperti variabel chi-uadrat dengan deraat ebebasan 1.
11 7 Artinya, Z χ 1. Hasil ini berguna pada ontes yang ada ia ita standaran estimasi oefisien Fourier pada persamaan [3.4.] oleh pengurangan mean dan membaginya dengan standar deviasi, lalu diuadratan, bentu standar oefisien Fourier berdistribusi χ aˆ a σ χ [3.4.4] 1 dan pernyataan yang sama, tetap dipergunaan untu oefisien b. searang, dari teori probailitas ita uga mengetahui bahwa ia random variabel X dan Y eduanya berdistribusi seperti chi-uadrat dengan deraat ebebasan 1, maa variabel Z=X+Y berdistribusi chi-uadrat dengan deraat ebebasan. Sehingga ( aˆ a ) + ( bˆ b ) σ χ [3.4.5] Prosedur hasil terahir ini adalah bahwa hal tersebut memberian ita cara untu mengui eberadaan signal pada bagian freuensi harmoni. Pada asus ini, hipotesis nolnya adalah oefisien Fourier dari harmoni e- bernilai nol. engan asumsi tersebut, persamaan [3.4.5] menadi aˆ + bˆ σ χ [3.4.6] Pengombinasian hasil tersebut dengan definisi dari power signal pada persamaan [3.3.1] dietahui bahwa ρ Power harmoni e = χ [3.4.7] σ Rata-rata power noise
12 73 Penggunaan hasil terahir ini, perhatian bahwa penyebut pada sisi anan persamaan [3.4.7] adalah total power noise yang diteliti dibagi dengan umlah oefisien Fourier yang ditentuan. Interpretasi tersebut berasal dari pemahaman teorema Parseval pada persamaan [.3.1.1] dan fatanya bahwa σ adalah nilai espetasi dari variansi sampel s yang diperoleh dari suatu bagian data vetor yang terdiri dari titi sampel dari noise yang diteliti. Sehingga, berdasaran interpretasi tersebut, penyebut dari persamaan [3.4.7] adalah umlah espetasi dari power noise per oefisien, dengan ata lain, rata-rata power pada spectrum power noise. Perbandingan pada sebelah iri selanutnya merupaan umlah uuran dari power untu harmoni e-, menormalan dengan rata-rata power noise. Jia disebut hal ini sebagai uantitas masing-masing power relatif dari harmoni e-, maa persamaan [3.4.7] merupaan power relatif harmoni e- yang berdistrbusi χ di bawah hipotesis nol yaitu ada power signal bernilai nol pada harmoni e-. Pada sub-bab beriutnya ita aan menggunaan hasil persamaan [3.4.7] tersebut untu membangun statisti ui dari hipotesis nol. alam hal ini, memanfaatan sebelumnya bahwa mean variabel χ sama dengan umlah deraat ebebasan variabelnya, dan variansinya sama dengan dua ali mean. Karena power signal ρ adalah sala variabel p = ( ρ ) = σ Mean, Mean σ χ di bawah hipotesis nol, dietahui bahwa p Var 4, Var 4 σ [3.4.8] = = σ ( ρ ) ( )
13 74 Perhatian bahwa standar deviasi dari ρ, merupaan aar uadrat dari variansinya, sama dengan mean, sehingga SNR=1 pada asus seperti ini. Biasanya SNR rendah tida diinginan, disebut metode SNR yang diperbaii seperti yang dielasan di bawah. 3.5 istribusi Koefisien Fourier untu Random Signal Kadang-adang penelitian suatu signal di bawah penyelidian tida semuanya memilii omponen deterministi, tetapi sesederhana proses random. Satu contoh seperti electroencephalogram, tegangan yang sangat ecil yang teream oleh eletroda terleta pada tengora. Contoh lainnya adalah flutuasi normal dari diameter pupil, atau hippus yang adang disebut sebagai ondisi alam bawah sadar. Signal tersebut disebut stochastic arena merea tida mudah menyesuaian e dalam model persamaan [3.3.] sebagai umlah omponen deterministi ditambah omponen random noise, ecuali ita sederhanaan semua bentu signalnya bersama-sama. Analisis Fourier dari stochastic, atau random, signal biasanya berlau pada bentu polar arena random signal sebenarnya menghilangan fase yang penting, hanya menyisaan porsi ara spectrum yang terpaai. Selanutnya, mengacu dari plot m, ara oefisien Fourier, lebih terbiasa memplot ρ = m, yang merupaan power omponen harmoni. Berdasaran hal itu, graf power dari tiap omponen Fourier seperti fungsi freuensi yang disebut power spectrum. Power spectrum dari prose random yang memenuhi asumsi bahwa tiap sampel independent, dan berdistribusi identi, setiap sampel lainnya aan mempunyai
14 75 power spectrum datar. Hal ini arena, seperti yang ditunuan pada persamaan [3.4.7] untu asus signal bernilai nol, power pada tiap harmoninya sama. Penelitian noise yang mempunyai power spectrum datar disebut white noise, analogi dengan spectrum cahaya. Hasilnya beraibat bahwa ia penelitian noise itu menggunaan cara yang menghasilan spectrum yang tida datar, dengan ata lain, colored spectrum, maa sampel noise tida lagi independent dan berdistribusi identi. Aibatnya, orelasi antar sampel pun tida lagi berdistribusi identi. Pada bagian ahir sub-bab 3.4 observasi tersebut, tentang signal deterministi, standar deviasi ρ sama dengan mean, sehingga SNR=1. Arti signal pada ontes ini adalah nilai estimasi ρ, power omponen harmoni e- dari random signal. Serupa dengan nilai SNR rendah yang tida diinginan dan uga mean untu perbaian realibilitas yang diperoleh. Satu metode untu mengulang proses sampling waveform dan menghitung power spectrum. Jia M spectra ditambahan secara bersamaan, power pada tiap harmoni aan menadi umlah dari random variabel M, masing-masing berdistribusi χ dengan deraat ebebasan. Sehingga total power aan berdistribusi χ dengan deraat ebebasan M, yang mempunyai mean M dan standar deviasi M. Rata-rata power adalah total power dibagi dengan M. p 1 1 χ χ M [3.5.1] M M N mean, variansi, dan SNRnya adalah
15 76 ( ) mean p 1 = M = M 1 4 var iansi ( p ) = 4 M = [3.5.] M M mean SNR = = = M variansi M Selantunya disimpulan bahwa realibilitas dari estimasi power spectrum dihasilan oleh penyetaraan individu spectra M bertambah pada proporsinya sebesar M. Teni yang eivalen adalah menyetaraan vetor sampel M dan selanutnya menghitung power spectrum dari mean data vetor. Karena tiap omponen dari data vetor bertambah realibilitasnya pada proporsi sebesar M, adi, dapat menghitung power spectrum. 3.6 Analisis Regresi Fourier Pada teori statistia tentang regresi, metode yang biasa digunaan berupa pendeatan model goodness of fit untu menghitung statisti S yang didefinisian oleh perbandingan variansi data model S = variansi residu [3.6.1] alam hal ini, gagasan dasarnya adalah waveform memilii variansi diarenaan dua fator: fungsi deterministi dan random error. Pada regresi linier, sebagai contoh, fungsi deterministi yang mendasarinya diasumsian sebagai garis lurus, yang mempunyai dua parameter bebas: slope dan intercept. Begitu model mempredisian dengan pasti umlah variansi dari data (pembilang pada [3.6.1] ),
16 77 tetapi beberapa variansi residu (penyebut [3.6.] ) tida didapatan dari model. Jia S membesar, aibatnya adalah modelnya bisa digunaan untu menghitung variansi datanya. Pada ontes Fourier, dua fator tersebut ita enal sebagai signal dan noise. Statisti S persis seperti SNR yang didefinisian sebelumnya arena pembilangnya adalah uuran euatan signalnya dan penyebutnya bergantung pada umlah noise yang ada. Penggunaan umum suatu statisti seperti S biasa digunaan untu ui hipotesis tentang ecocoan model yang disebut ui parametri. Agar bisa mengembangan egunaan dari bentu ui yang seperti ini, perlu dipahami distribusi probabilitas S. istribusi yang seperti ini mungin sudah ita enal sebagai distribusi F-Snedecor (nama ehormatan dari Bangsawan R.A. Fisher) yang digunaan etia pembilang persamaan [3.6.1] adalah variabel χ dengan deraat ebebasan a, dibagi dengan a, dan penyebutnya adalah variabel deraat ebebasan b, dibagi dengan b. seperti beriut, χ dengan χ a a F a, b b χ b [3.6.] ielasan hasil dari sub-bab 3. hal tersebut ditunuan sebagai power harmoni yang berdistribusi χ etia noise tunggal Gauss dietahui, itu tida sulit untu menemuannya, ui F adang-adang bisa digunaan untu ui goodness of fit dari model deret Fourier. Hartley (1949) telah mengembangan ui yang seperti ini dan metodenya dielasan di bawah.
17 78 ari versi teorema Parseval yang ditunuan persamaan [.3.9.6] variansi titi sampel sama dengan umlah power dari omponen harmoni yang sesuai. Y m = a + b = c = ρ = 1 = 1 = [.3.1.1] Selanutnya, ia model Fourier dalam pembahasannya termasu semua omponen harmoni, maa itu aan menghitung semua variansi datanya, sehingga variansi residunya nol, dan model aan sesuai dengan data yang sebenarnya. engan ata lain, ia hanya beberapa harmoni yang termasu dalam model, maa harmoni yang diabaian dihitung sebagai variansi residunya. Pada asus ini, ita dapat membentu statisti seperti S untu memutusan apaah modelnya coco atau tida. Untu melihat egunaanya, ita masuan e model Fourier hanya harmoni e- saa. engan ata lain, asumsian semua harmoni yang lainnya adalah noise. Menurut persamaan [.3.1.1] di atas, variansi yang dihitung dari model ini adalah ρ, yang didapatan pada persamaan [3.4.7] bahwa ia ρ dinormalan yaitu membaginya dengan espetasi umlah power di bawah hipotesis nol yang hanya dietahui noise-nya saa, maa power relatif uga berdistribusi χ dengan deraat ebebasan. ρ σ χ [3.6.3] engan elas nilai ini aan menunuan pembilang dari statisti-f. untu mendapatan penyebut yang dibutuhan, perhatian embali bahwa terdapat -3 harmoni residu pada asus ini. Jumlah total power relatif residunya adalah
18 79 umlah R=(-3)/ variabel aca, tiap distribusi χ dengan deraat ebebasan, yang selanutnya berdistribusi χ dengan deraat ebebasan R=-3 ρ R = 1 σ χ [3.6.4] R Searang untu merumusan statisti Hartley, bagi tiap variabelnya dengan masisng-masing bilangan deraat ebebasan dan bentu perbandingannya H ρ σ power relatif harmoni e- = = R 1 ρ rata-rata power relatif residu R = 1 σ F,R [3.6.5] Sehingga, nilai σ yang tida dietahui yang terdapat pada pembilang dan penyebut selanutnya dapat dihilangan H = ρ R 1 p R = 1 F,R [3.6.6] Selanutnya, ui Hartley dari hipotesis nol yang power signal pada harmoni e- nya adalah nol ini aan menola hipotesis nol ia H > F,R. Untu mengolahnya biasa digunaan tingat signifiansi 1% atau 5%, bergantung nilai F yang sesuai dari tabel distribusi-f. Jia perhitungan satisti uinya lebih dari nilai pada tabel, tola hipotesis nol yang power signal harmoninya adalah nol. Tingat signifiansi diinterpretasian sebagai probabilitas penolaan esalahan hipotesis nol. 3.7 Interval Konfidensi
19 8 Suatu hasil yang sangat penting dari statisti yang biasa ita gunaan adalah spesifiasi batas onfidensi untu mean sampel dari populasi. Jia ita melihat embali hasilnya, itu aan berguna sebagai pendahuluan untu memperoleh interval onfidensi untu oefisien Fourier. Sehingga x adalah mean dari N sampel dan aan menyataannya dalam onfidensi 95% (yaitu urang dari 5% eeliruannya), mean populasi µ yang sebenarnya berada pada range x A µ x + A [3.7.1] Pertanyaannya adalah, apaah nilai A itu? Jawaban yang tepat untu menawab pertanyaan tersebut adalah dua ali standar error mean. Untu melihat enapa ini benar, lihat embali bahwa standar mean sampel t, yang dienal sebagai statisti-t Student, t = x µ s N [3.7.] distribusi-t dengan deraat ebebasan N-1. Pada persamaan ini, s adalah standar deviasi sampel dan s N adalah standar error dari mean. istribusi-t Student sudah dietahui sebagai fungsi distribusi yang diparameteran oleh umlah deraat ebebasan. Contohnya seperti tampa pada Gambar 3.1. Sebelah irinya adalah probabilitas fungsi epadatan dan sebelah anannya adalah 1 diurangi distribusi probabilitas umulatif, yaitu daerah di bawah fungsi epadatan memenuhi beberapa riteria c, sebagai fungsi c.
20 81 Fungsi epadatan Fungsi distribusi Gambar 3.1 istribusi-t Student Nilai esa c yang diperoleh dari P(c) sampai pada 5% bergantung, tetapi untu sampel c yang besar nilainya onvergen e. Ini artinya bahwa probabilitas t yang lebih dari hanya 5%. Berdasaran persamaan [3.7.], diperoleh Prob x µ s ( x ) > = 5% [3.7.3] pertidasamaan seperti persamaan di atas dapat menghasilan bentu yang serupa dari persamaan [3.7.1] yaitu ( x s( x ) µ x s( x )) Prob < < + = 95% [3.7.4] engan ata lain, batas onfidensi 95% untu µ adalah x s ( x ) ±. Berdasaran penelasan tersebut, dietahui dari persamaan [3.6.6] yaitu perbandingan Hartley dari power harmoni dengan power residunya merupaan distribusi-f di bawah hipotesi nol. Jia diletaan batas hipotesis nol maa harus embali lagi pada bentu pembilang dari persamaan [3.4.4], sehingga H = ( aˆ a ) + ( bˆ b ) 1 R R = 1 p F,R [3.7.5]
21 8 Analogi persamaan [3.7.4] selanutnya adalah ( aˆ ) ( ˆ ) a + b b Prob > F,R = 5% [3.7.6] R 1 p R = 1 Pertidasamaan yang mendefinisian batas onfidensi dengan interpretasi geometri sederhana seperti ditunuan pada Gambar 3.. menggambaran lingaran berpusat pada titi ( a ˆ, b ˆ ) dan dengan ari-ari ρ yang diberian oleh ρ F R =,R R = 1 p [3.7.7] maa dengan onfidensi 95% ita dapat nyataan bahwa nilai sebenarnya dari oefisien Fouirer ( a, b ) bersesuaian dengan titi di seitar lingaran. Jia lingaran tersebut mengandung oefisien awalnya, maa power dari bentu harmoni e- tida berbeda secara signifian dengan nol. omponen e- vetor Fourier Batas onfidensi Gambar 3. Batas Konfidensi untu Koefisien Fourier
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini disampaian beberapa pengertian dasar yang diperluan pada bab selanutnya. Selain definisi, diberian pula lemma dan teorema dengan atau tanpa buti. Untu beberapa teorema
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciTUGAS I RANCANGAN PERCOBAAN BAB I
TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
Lebih terperinciKumpulan soal-soal level seleksi provinsi: solusi:
Kumpulan soal-soal level selesi provinsi: 1. Sebuah bola A berjari-jari r menggelinding tanpa slip e bawah dari punca sebuah bola B berjarijari R. Anggap bola bawah tida bergera sama seali. Hitung ecepatan
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciANALISIS PERBANDINGAN KOMULAN TERHADAP BEBERAPA JENIS DISTRIBUSI KHUSUS Analysis of Comulans Comparative on some Types of Special Distribution
Jurnal Bareeng Vol. 8 No. Hal. 5 0 (04) ANALISIS PRBANDINGAN OMULAN TRHADAP BBRAPA JNIS DISTRIBUSI HUSUS Analysis of Comulans Comparative on some Types of Special Distribution ABRAHAM ZACARIA WATTIMNA,
Lebih terperinciAplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja
Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciMATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
Lebih terperinciKINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB 2012
KINETIKA REAKSI KIMIA TIM DOSEN KIMIA DASAR FTP UB Konsep Kinetia/ Laju Reasi Laju reasi menyataan laju perubahan onsentrasi zat-zat omponen reasi setiap satuan watu: V [ M ] t Laju pengurangan onsentrasi
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciSolusi Pengayaan Matematika Edisi 16 April Pekan Ke-4, 2005 Nomor Soal:
Solusi Pengayaan Matematia Edisi 6 pril Pean Ke-4, 00 Nomor Soal: -60. Jia. sin cos tan 00 00, maa nilai adalah... cos sin 00 00. 40 Solusi: [] sin cos tan 00 00 cos sin 00 00 sin sin 00 00 cos sin 00
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinciBEBERAPA MODIFIKASI METODE NEWTON RAPHSON UNTUK MENYELESAIKAN MASALAH AKAR GANDA. Supriadi Putra, M,Si
BEBERAPA ODIFIKASI ETODE NEWTON RAPHSON UNTUK ENYELESAIKAN ASALAH AKAR GANDA Suriadi Putra,,Si Laboratorium Komutasi Numeri Jurusan atematia Faultas atematia & Ilmu Pengetahuan Alam Universitas Riau Kamus
Lebih terperinciPEMODELAN FAKTOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA TIMUR MENGGUNAKAN REGRESI POISSON BIVARIAT
PEMODELAN FAKOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA IMUR MENGGUNAKAN REGRESI POISSON BIVARIA Novi ri Ratnasari, Purhadi Jurusan Statistia, Faultas MIPA, Institut enologi Sepuluh Nopember
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciKumpulan soal-soal level seleksi Kabupaten: Solusi: a a k
Kumpulan soal-soal level selesi Kabupaten: 1. Sebuah heliopter berusaha menolong seorang orban banjir. Dari suatu etinggian L, heliopter ini menurunan tangga tali bagi sang orban banjir. Karena etautan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinci2.1 Bilangan prima dan faktorisasi prima
BAB 2 BILANGAN PRIMA 2.1 Bilangan prima dan fatorisasi prima Definisi 2.1.1. Bilangan bulat p > 1 diataan prima jia ia hanya mempunyai pembagi p dan 1. Dengan ata lain bilangan prima tida mempunyai pembagi
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciSoal-Jawab Fisika OSN x dan = min. Abaikan gesekan udara. v R Tentukan: a) besar kelajuan pelemparan v sebagai fungsi h. b) besar h maks.
Soal-Jawab Fisia OSN - ( poin) Sebuah pipa silinder yang sangat besar (dengan penampang lintang berbentu lingaran berjarijari R) terleta di atas tanah. Seorang ana ingin melempar sebuah bola tenis dari
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciKAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST
KAJIAN METODE BERBASIS MODEL PADA ANALISIS KELOMPOK DENGAN PERANGKAT LUNAK MCLUST Timbul Pardede (timbul@mail.ut.ac.id) Jurusan Statisti FMIPA, Universitas Terbua ABSTRAK Metode Ward dan metode K-rataan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciMODEL SISTEM ANTRIAN
BB V MODEL SISTEM TRI ada teori antrian, suatu model antrian digunaan untu memperiraan suatu situasi antrian sesungguhnya, sehingga elauan antrian dapat dianalisa secara matemati. Dengan model sistem antrian
Lebih terperinciSah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)
Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/
Lebih terperinciAnalisis Regresi Multivariat Terhadap Penilaian Listening, Structure, dan Reading Pada Nilai Tes EFL Mahasiswa ITS
JURNAL SAINS DAN SENI POMIS Vol. 3, No., (04) 337-350 (30-98X Print) D-70 Analisis Regresi Multivariat erhadap Penilaian Listening, Structure, dan Reading Pada Nilai es EFL Mahasiswa IS Heni Kartiasari
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciKENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN
KENDALI OPTIMAL PADA MASALAH INVENTORI YANG MENGALAMI PENINGKATAN Pardi Affandi, Faisal, Yuni Yulida Abstra: Banya permasalahan yang melibatan teori sistem dan teori ontrol serta apliasinya. Beberapa referensi
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciBAB III METODE PENELITIAN. Lokasi yang dijadikan tempat dalam penelitian ini adalah Tempat
BAB III METODE PENELITIAN 3.1 Loasi an Watu Penelitian 3.1.1 Loasi penelitian Loasi yang ijaian tempat alam penelitian ini aalah Tempat Pelelangan Ian (TPI) Kota Gorontalo. 3.1. Watu penelitian Penelitian
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Sifat Dasar Neutron Neutron yang dihasilan dari reator nulir biasanya merupaan neutron berenergi rendah. Secara umum, neutron energi rendah dapat dilasifiasian dalam tiga enis yaitu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciBAB 3 RUANG BERNORM-2
BAB RUANG BERNORM-. Norm- dan Ruang ` De nisi. Misalan V ruang vetor atas R berdimensi d (dalam hal ini d boleh ta hingga). Sebuah fungsi ; V V! R yang memenuhi sifat-sifat beriut;. x; y 0 ia dan hanya
Lebih terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
Lebih terperinciAnalisis Pengaruh Peralatan Laboratorium Terhadap Kualitas Daya Pada Laboratorium Elektroteknika Dasar
3 Analisis Pengaruh Peralatan Laboratorium Terhadap Kualitas Daya Pada Laboratorium Eletrotenia Dasar Jamhir slami Pranata Laboratorium Pendidian (PLP) Ahli Muda Laboratorium Eletrotenia Dasar Faaultas
Lebih terperinciPENAKSIR 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 terperinciBAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR
BAB III DIMENSI PARTISI GRAF KIPAS DAN GRAF KINCIR 3. Dimensi Partisi Graf Kipas (F n ) Berdasaran Proposisi dan Proposisi, semua graf G selain graf P n dan K n memilii 3 pd(g) n -. Lebih husus, graf Kipas
Lebih terperinciBAB II DASAR TEORI. II.1. Pendahuluan
BAB II DASAR EORI II.1. Pendahuluan Pada bab ini pertama-tama aan dijelasan secara singat apa yang dimasud dengan target tracing dalam sistem Radar. Di dalam sebuah sistem Radar ada beberapa proses yang
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciFISIKA. Kelas X GETARAN HARMONIS K-13. A. Getaran Harmonis Sederhana
K-13 Kelas X FISIKA GETARAN HARMONIS TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, amu diharapan memilii emampuan sebagai beriut. 1. Memahami onsep getaran harmonis sederhana pada bandul dan pegas
Lebih terperinciAgar Xn berperilaku acak yang dapat dipertanggungjawabkan :
ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciKENNETH CHRISTIAN NATHANAEL
KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.
Lebih terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciTAKSIRAN INTERVAL KEPERCAYAAN PADA PERHITUNGAN k eff MONTE CARLO. Entin Hartini *
Risalah Loaarya Komputasi dalam Sains dan Tenologi Nulir: 6-7 Agustus 008(05-6 TAKSIRAN INTERVAL KEPERCAYAAN PADA PERHITUNGAN eff MONTE CARLO Entin Hartini * ABSTRAK TAKSIRAN INTERVAL KEPERCAYAAN PADA
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinci