ESTIMASI PARAMETER BOOTSTRAP PADA PROSES AR(1)
|
|
- Harjanti Verawati Muljana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 UNIVERSITAS DIPONEGORO 0 ISBN: ESTIMASI PARAMETER BOOTSTRAP PADA PROSES AR() Bambag Suprihai, Suryo Gurio, Sri Haryami ) Mahasiswa S3 Jurusa Maemaika MIPA UGM ) Saf Dose Jurusa Maemaika MIPA UGM Absrak Meuru reedma (985) da Bose (988), esimaor boosrap bersifa koverge dalam probabilias erhadap, yaki ˆ p. Dalam ulisa ii, adalah paremeer proses AR(). Hardle e.al. (003) juga meyimpulka bahwa esimaor boosrap memiliki igka keakurasia yag baik keika meode boosrap dierapka pada daa ruu waku. Dari simulasi Moe Carlo dega megguaka sampel boosrap B = 5, 50, 00, da 00 diperoleh esimasi sadar error dari yag semaki kecil seirig dega B yag semaki besar. Dega kaa lai, igka keakurasia esimaor boosrap baik. Gambar esimasi desias disribusi dari juga diberika. Dari Gambar erliha bahwa esimasi desias medekai fugsi desias ormal. Hasil simulasi ii sesuai dega hasil pada Bose (988), sup ( ) ( ) / d H x H x o a. s dega H ( x) N(0,). x BOOT. Kaa Kuci: Boosrap, Esimasi parameer, Probabilias cakupa, Simulasi Moe Carlo. Pedahulua Beberapa permasalaha yag serig mucul dalam esimasi parameer ak dikeahui melipui: () Esimaor ˆ apa yag aka diguaka/dipilih, () Seelah memilih esimaor ˆ ereu, bagaimaa keakurasia esimaor ersebu. Uuk mejawab permasalaha ii, perlu diselidiki sadar error da kosisesi dari esimaor ersebu. Sadar error meyaaka keakurasia esimaor yag meggambarka seberapa jauh esimaor ˆ meyimpag dari ilai parameer yag sebearya. 38
2 UNIVERSITAS DIPONEGORO 0 ISBN: Sedagka kosisesi esimaor diperluka uuk mejami bahwa esimaor ˆ koverge ke parameer yag sebearya. Pembahasa eag kosisesi esimaor parameer secara deail dapa diliha pada Serflig (980), Shao da Tu (995), Lehma (999) da DasGupa (008). Kekovegea dari esimaor ˆ sediri ada dua macam, yaki koverge lemah (weakly coverge) apabila ˆ p (oasi p meyaaka koverge dalam probabilias), da koverge kua (srogly coverge) apabila ˆ a. s (oasi a. s meyaaka koverge hampir pasi aau almos surely coverge). Kekovergea dari esimaor boosrap dapa diliha pada Bickel da reedma (98), reedma (985) da Hall (99). Boosrap, merupaka meode yag berbasis pada kompuer-iesif, berkembag pesa sejak diperkealka oleh Bradley Efro pada ahu 979. Meode boosrap didesai uuk bisa mejawab beberapa permasalaha di aas dega igka akurasi yag iggi (Efro da Tibshirai, 986). Selai iu, meode boosrap dapa diguaka pada siuasi dimaa asumsi sadar idak dipeuhi, misal ukura sampel kecil da daa idak berdisribusi ormal [Daviso da Hikley (006)]. Sigh (98) meujukka bahwa disribusi dari mea sampel boosrap memiliki keakurasia yag lebih iggi dari aproksimasi limi disribusi ormal. Bickel da reedma (98) mempelajari aproksimasi disribusi boosrap dari saisik peig seperi mea da saisik- da meyimpulka bahwa kedua saisik adalah asimoik. Namu demikia, buka berari boosrap idak mempuyai kelemaha. Mereka juga megemukaka cooh kegagala meode boosrap. Efro da Tibshirai (993) memberika cooh kegagala meode boosrap paramerik keika sampel boosrap disamplig berasal dari disribusi seragam (uiform) pada 0,ˆ. Dalam makalah ii, meode boosrap dierapka pada proses AR() uuk esimasi parameer da sadar error versi boosrap. Pada bagia akhir dari makalah ii kami sajika simulasi Moe Carlo dega megguaka daa ruu waku megeai kurs (ilai ukar) maa uag dolar Amerika erhadap rupiah. Daa diuduh dari sius resmi milik Bak Idoesia, yaki 39
3 UNIVERSITAS DIPONEGORO 0 ISBN: hp:// Dari daa yag diperoleh, dicocokka dega model yag sesuai. Dugaa awal, model yag epa adalah AR(). Uuk membukika kebeara dugaa awal, diselidiki dega megguaka iformasi AIC (Akaike s Iformaio Crierio) da korelogram PAC dari daa ruu waku ersebu. Selajuya diselidiki esimaor ˆ uuk parameer da esimaor versi boosrap. Semua perhiuga da Gambar ilusrasi dalam makalah ii dikerjaka dega megguaka peragka luak S-Plus.. Prisip Meode Boosrap Seperi yag elah dijelaska pada Subbab, ada beberapa alasa megapa meode boosrap diperluka, misalya karea ukura sampel kecil da asumsi ormalias idak dipeuhi. Misalka kia elah memiliki daa sampel =,,, yag diperoleh dega cara samplig acak dari disribusi ak dikeahui. Sampel boosrap =, diperoleh dega cara samplig,, acak berukura dega pegembalia, dari daa asal. Misalka ˆ adalah disribusi empirik uuk disribusi, yag didefiisika sebagai ˆ ( x) Ix i x, () i dega I{A} adalah fugsi idikaor dari himpua A. Selajuya kia igi megesimasi parameer saisik yag merupaka fugsioal, epaya,,, ; diguaka esimaor boosrap ˆ,,, ; ˆ Bagaimaa keakurasia esimaor boosrap diperluka esimaor variasi boosrap,. Dega megguaka prisip plug-i,, dega ˆ seperi pada ().? Uuk megukur keakurasia ersebu, v BOOT ( x) ( y) d i ˆ ( yi) d i ˆ ( x ) i 40
4 UNIVERSITAS DIPONEGORO 0 ISBN: ,. var (,,, ),, var meyaaka variasi bersyara,,,. Akar Noasi,,, kuadra dari v BOOT merupaka esimasi sadar error versi boosrap. Esimasi boosrap dari se ˆ, sadar error dari saisik ˆ, adalah esimasi plug-i yag megguaka disribusi empirik ˆ uuk meggai disribusi ak dikeahui. Dega kaa lai, esimasi boosrap se ˆ didefiisika sebagai se ˆ ˆ, disebu esimasi boosrap oparamerik karea berasal dari disribusi empirik ˆ. Sadar error ii megukur keakurasia dari esimaor megesimasi ˆ. Efro da Tibshirai (993) meyaraka uuk se diguaka ukura sampel boosrap B aara 50 sampai 00, uuk meghasilka esimasi yag cukup baik. Semeara uuk megesimasi ierval kofidesi mereka meyaraka B lebih besar dari 00. Ierval kofidesi boosrap ii dibahas secara khusus pada Subbab 4. Hardle e.al. (003) juga meyimpulka bahwa esimaor boosrap memiliki igka keakurasia yag baik keika meode boosrap dierapka pada daa ruu waku (ime series). Limi dari se uuk adalah esimasi boosrap ideal dari lim se = B se ˆ = ˆ ˆ se. se ˆ, yaki Beriku adalah algorima boosrap uuk mecari esimasi sadar error: B. Kia pilih B sampel boosrap idepede B,,,, masig-masig berukura yag diambil secara acak apa pegembalia dari daa asal.. Dievaluasi replikasi boosrap berkaia dega masig-masig sampel, ˆ ( b) 3. Sadar error ˆ b, b,,, B. se diesimasi dega sadar deviasi B sampel replikasi 4
5 UNIVERSITAS DIPONEGORO 0 ISBN: se = B b ˆ ( b) ˆ ( ) B B ˆ ( b) b dimaa ˆ ( ). B /, () 3. Esimasi Parameer Boosrap pada Proses AR() Misal {,,,, } adalah barisa daa ruu waku yag memeuhi proses auoregresif orde sau aau disigka AR (), yaki apabila {,,,, } memeuhi persamaa oise ~ iid N 0, adalah variasi sampel dega } adalah barisa variabel acak whie. Esimasi dari parameer, { adalah ˆ ˆ s,,. Asumsika {,,,, }, dega s adalah Gaussia sasioer. Syara kesasioera uuk proses AR() adalah. Pembahasa legkap eag ruu waku dapa berkosulasi pada buku Wei(990) da Brockwell da Davis (99). Misal diberika daa realisasi,,, yag memeuhi proses AR(). Uuk mecocokka model AR() dari daa yag dimiliki, diguaka krieria iformasi AIC, yag dirumuska sebagai AIC(k) = l ˆ k., k Order auoregresif p yag sesuai merupaka ilai (k - ) yag meyebabka AIC miimum. Dega kaa lai hubuga aara lag k da order proses auoregresif p adalah p = k - [Veables da Ripley (996)]. Selai iu, uuk meguaka pecocoka model diliha dari korelogram fugsi auokovariasi parsial (parial auocorrelaio fucio = PAC). Uuk proses AR(), PAC cu-off pada lag kedua da seerusya. 4
6 UNIVERSITAS DIPONEGORO 0 ISBN: Pada proses AR(), esimasi Yule-Walker uuk adalah ˆ ˆ dega ˆ adalah esimasi auokorelasi lag perama yag dirumuska sebagai ˆ. (3) Meuru Wei (990) da Brockwell da Davis (99), esimasi sadar error dari parameer adalah se(θ) = ˆ. Semeara iu, esimaor versi boosrap dari parameer dikerjaka sebagai beriku [liha Efro da Tibshirai (986), Bose (988), da Shao da Tu (995)]:. Dari daa,,, yag diberika, dilakuka pemusaa, yaki gai i dega i.. Kia cocokka daa dega model AR() dega megguaka AIC da ideifikasi korelogram PAC. Seelah pecocokka modelya sesuai, diperoleh esimaor Yule- Walker ˆ dega megguaka (3.) 3. Medefiisika residu ˆ ˆ uuk,3,,. Sampel boosrap diperoleh dega cara samplig acak apa pegembalia dari residu,,,, 3,,. Teapka,,3,,. ˆ sebagai sampel iisial boosrap da 4. Dari sampel boosrap dilakuka pemusaa kembali, yaki,,, i digai dega boosrap ˆ dega sampel ˆ i dimaa,,,. Dari sii diperoleh esimaor dega megguaka prisip plug-i pada (3). Selajuya dihiug esimasi sadar error boosrap se θ dega megguaka () uuk meyaaka keakurasia esimaor. 43
7 UNIVERSITAS DIPONEGORO 0 ISBN: ˆ reedma (985) da Bose (988) meyelidiki kekosisea disribusi dari ˆ. Seperi yag elah kia keahui, ˆ d N(0,). Dega megguaka ekspasi Edgeworh, Bose (988) meujukka bahwa merik Kolmogorov sup x H BOOT ( x) H ( x) o / a. s., ˆ dimaa H BOOT ˆ ( x) P x da H x) P lai, ( ˆ x. Dega kaa / a. s dega laju kovergesi orde perama o. Noasi P meyaaka. probabilias dibawah disribusi empirik boosrap. 4. Simulasi Moe Carlo Simulasi Moe Carlo beriku megguaka daa ruu waku megeai kurs (ilai ukar) maa uag dolar Amerika erhadap rupiah. Daa diuduh dari sius resmi milik Bak Idoesia, yaki hp:// Daa kurs diambil selama 0 bula, dari bula Jauari 008 sampai dega Agusus 009, sehigga diperoleh daa ruu waku berukura = 0. Pada seiap bulaya, daa kurs diambil pada awal bula. Daa legkapya disajika pada Tabel beriku. Tabel. Daa Kurs Dolar Amerika Terhadap Rupiah pada Bula Jauari 008 Sampai Agusus 009 Bula(Th) Ja(08) eb(08) Mar(08) Apr(08) Mei(08) Ju(08) Jul(08) Kurs Bula(Th) Agu(08) Sep(08) Ok(08) Nop(08) Des(08) Ja(09) eb(09) Kurs
8 UNIVERSITAS DIPONEGORO 0 ISBN: Bula(Th) Mar(09) Apr(09) Mei(09) Ju(09) Jul(09) Agu(09) NA Kurs NA Program simulasi dikerjaka dega megguaka peragka luak S-Plus 007. Plo dari daa ruu pada Tabel seelah dilakuka pemusaa erhadap raa-raa disajika pada Gambar di bawah ii. Dari Gambar erliha bahwa seelah daa dipusaka pada raa-raaya, daa meyebar di sekiar garis medaar ol. Kurs-Raa Kurs Bula Ke Gambar. Plo Daa Ruu Waku Selajuya kia ideifikasi model yag sesuai dega daa ersebu. Uuk keperlua iu, kia cari da plo krieria iformasi Akaike (AIC). Nilai-ilai AIC adalah sebagai beriku: 9,96; 0,000;,479; 3,438; 4,440; 5,35; 7,89; 9,57;,06; 3,0; 4,804; 6,78; 8,693; 0,073. Semeara plo uuk ilai-ilai AIC ii disajika pada Gambar. Dari Gambar erliha bahwa ilai AIC miimum dicapai pada lag k =. Sehigga order auoregresif yag sesuai adalah. Hal ii diperkua juga dari plo PAC pada Gambar 3. Dari Gambar 3 ersebu erliha bahwa PAC cederug cu-off mulai lag kedua. 45
9 UNIVERSITAS DIPONEGORO 0 ISBN: AIC lag Gambar. Plo Nilai-ilai AIC Parial AC Lag Gambar 3. Plo PAC Berdasarka faka-faka ersebu, model yag sesuai uuk daa pada Tabel adalah proses AR(). Jadi, jika kia misalka daa kurs sebagai,,, 0, maka berlaku hubuga,,3,,0, 46
10 UNIVERSITAS DIPONEGORO 0 ISBN: dega ~ N 0,. Esimasi dari parameer adalah ˆ = , sehigga esimasi sadar errorya adalah = 969,8. Uuk daa pada Tabel, dega megguaka (3) diperoleh esimaor Yule-Walker ˆ uuk parameer, yaki sebesar -0,448 da sadar errorya adalah 0,999. Dega megguaka Lagkahlagkah pada Subbab 3, diperoleh esimaor versi boosrap dari ˆ. Dalam simulasi ii, diguaka sampel boosrap B sebayak 5, 50, 00, 00 da 500. Dari masig-masig ukura B ersebu, dega megguaka (.) kia hiug esimasi sadar error dari, dioasika dega se ˆ ˆ. Hasil-hasil dari se ˆ ˆ disajika dalam Tabel. Uuk B = 50, esimasi sadar error boosrap cukup baik medekai esimasi sadar error o boosrap. Ariya, uuk ijaua sadar error boosrap, idak perlu memakai ukura sampel boosrap B yag besar. Semeara mea dari esimaor versi boosrap adalah , aproksimasi yag cukup baik erhadap esimaor o boosrap (esimaor Yule-Walker). Tabel Esimasi Sadar Error dari B uuk Beberapa B se ˆ 0,003 0,97 0,957 0,908 0,839 ˆ Dari Tabel erliha bahwa semaki besar ukura sampel boosrap B, semaki kecil ilai esimasi sadar error versi boosrap dari esimaor ˆ. Hal ii meujukka bahwa esimaor boosrap memiliki akurasi yag semaki baik seirig dega meigkaya ukura sampel boosrap B yag diguaka. Semeara iu, hisogram desias dari ilai-ilai esimaor boosrap disajika pada Gambar 4. Dari Gambar 4 erliha bahwa hisogram yag dihasilka medekai gambar fugsi desias dari disribusi ormal. Hal ii medukug apa yag elah dihasilka dalam reedma (985) da Bose (988). 47
11 UNIVERSITAS DIPONEGORO 0 ISBN: eha.boo Gambar 4. Hisogram da Esimasi Desias Nilai-ilai Esimaor Boosrap 5. Peuup Berdasarka hasil simulasi Moe Carlo uuk daa kurs dolar Amerika erhadap rupiah pada bula Jauari 008 sampai Agusus 009, diperoleh model yag sesuai adalah proses AR(). Esimaor Yule-Walker ˆ uuk parameer adalah -0,448 dega sadar error 0,999. Semeara iu, dega megguaka meode boosrap, diperoleh sadar error versi boosrap, seθ, sebesar 0,908 yag berari igka akurasiya lebih baik dibadig esimaor Yule-Walker. Hasil ii sesuai dega peeliia sebelumya, misal pada Efro da Tibshirai (986) da Hardle e al. (003). Dari ilusrasi esimasi desias dari erliha bahwa esimasi disribusi dari medekai disribusi ormal. Jelas hal ii sesuai dega Teorema Limi Pusa, yaki seˆ E d N(0,). Namu demikia, berkaia dega hasil-hasil ii perlu diadaka peeliia lebih laju uuk megkaji sifa kosisesi esimaor boosrap da disribusi asimoikya. Pada bayak kasus, jumlah sampel erbaas, jelas kia idak mugki bekerja dega. Haya jumlah sampel boosrap B yag bisa kia bua besar 48
12 UNIVERSITAS DIPONEGORO 0 ISBN: ( B ) eapi idak mugki B disribusi asimoik dari esimaor boosrap uuk. Uuk iu, perlu dielii juga kosisesi da B. Dafar Pusaka Bickel, P. J. ad reedma, D. A. (98) Some asympoic heory for he boosrap, A. Sais., 9, Bose, A. (988) Edgeworh correcio by boosrap i auoregressios, A. Sais., 6, Brockwell, P. J. ad Davis, R. A. (99) Time Series: Theory ad Mehods, Spriger- Verlag, New York. DasGupa, A. (008) Asympoic Theory of Saisics ad Probabiliy, Spriger, New York. Daviso, A. C. ad Hikley, D. V. (006) Boosrap Mehods ad Their Applicaio, Cambridge Uiversiy Press, Cambridge. DiCiccio, T. J. ad Romao, J. P. (988) A review of boosrap cofidece iervals, J. R. Sais., 50, DiCiccio, T. J. ad Tibshirai, R. (987) Boosrap cofidece iervals ad boosrap approximaios, J. Amer. Sais. Ass., 8, Efro, B. ad Tibshirai, R. (986) Boosrap mehods for sadard errors, cofidece iervals, ad ohers measures of saisical accuracy, Saisical Sciece,, Efro, B. ad Tibshirai, R. (993) A Iroducio o he Boosrap, Chapma & Hall, New York. reedma, D. A. (985) O boosrappig wo-sage leas-squares esimaes i saioary liear models, A. Sais.,, Hall, P. (99) The Boosrap ad Edgeworh Expasio, Spriger-Verlag, New York. 49
13 UNIVERSITAS DIPONEGORO 0 ISBN: Hardle, W., Horowiz, J. ad Kreiss, J. P. (003) Boosrap mehods for ime series, Ieraioal Sais. Review, 7, Lehma, E. L. (999) Eleme of Large-Sample Theory, Spriger-Verlag, New York. Serflig, R. J. (980) Approximaio Theorems of Mahemaical Saisics, Joh Wiley & Sos, New York. Shao, J. ad Tu, D. (995) The Jackkife ad Boosrap, Spriger-Verlag, New York. Sigh, K. (98) O he asympoic accuracy of Efro s boosrap, A. Sais., 9, Veables, W. N. ad Ripley, B. D. (996) Moder Applied Saisics wih S-Plus, Spriger, New York. Wei, W. W. S. (990) Time Series Aalysis: Uivariae ad Mulivariae Mehods, Addiso Wesley, Califoria. 50
Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )
33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil
Lebih terperinciPREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP
Prosidig SPMIPA. pp. 57-6. 6 ISBN : 979.74.47. PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP Sri Rahayu, Taro Jurusa Maemaika FMIPA UNDIP Semarag Jl. Prof. Soedaro, Kampus UNDIP Tembalag,
Lebih terperinciPENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.
. Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis
Lebih terperinciMODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR
Bulei Ilmiah Ma.Sa. da Terapaya (Bimaser) Volume 06, No. (07), hal -0. MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Ermawai, Helmi, Frasiskus
Lebih terperinciJURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER
STATISTIK CUKUP Oleh: Ramayai Rizka M (11810101003), Dey Ardiao (1181010101), Ikfi Ulyawai (1181010103), Falviaa Yulia Dewi (1181010106), Ricki Dio Rosada (11810101034), Nurma Yuia D (11810101035), Wula
Lebih terperinciMETODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2
METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA Roki Nuari *, Aziskha, Edag Lily Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas
Lebih terperinciBAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak
BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu
Lebih terperinciRumus-rumus yang Digunakan
Saisika Uipa Surabaya 4. Sampel Tuggal = Rumus-rumus yag Diguaka s..... Sampel berkorelasi D D N N N...... 3. Sampel Bebas a. Uuk varias sama... 3 aau x x s g... 4 b. Sampel Heeroge Guaka Uji Corha - Cox
Lebih terperinciNILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN
NILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN Nomi Kelari *, Hasriai 2, Musraii 2 Mahasiswa Program S Maemaika 2 Dose Jurusa Maemaika Fakulas Maemaika da Ilmu Pegeahua
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala
Lebih terperinciBAB II TEORI DASAR. 2.1 Proses Stokastik Rantai Markov
BAB II TEORI DASAR. Proses Sokasik Raai Markov Proses sokasik merupaka suau cara uuk mempelajari hubuga yag diamis dari suau ruua perisiwa aau proses yag kejadiaya bersifa idak pasi. Dalam memodelka perubaha
Lebih terperinciV. PENGUJIAN HIPOTESIS
V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska
Lebih terperinciBAB METODOLOGI. Bab 2 Metodologi berisikan :
BAB METODOLOGI Bab Meodologi berisika :.. Pegambila Sampel.. Peramala Nilai Iflasi melalui Ideks Harga Kosume Megguaka Meode ARIMA.3. Akumulasi Prese Value melalui Buga Sederhaa dalam Perhiuga Harga Barag
Lebih terperinciBAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel
BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka
Lebih terperinciKRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB
KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne
Lebih terperinciMODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA
Prosidig Semiar Nasioal Sais da Pedidika Sais IX, Fakulas Sais da Maemaika, UKSW Salaiga, Jui 4, Vol 5, No, ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN
Lebih terperinciPEMETAAN LINIER KONTINU PADA RUANG BERNORMA KABUR. Muhammad Ahsar K. dan Yuni Yulida
Jural Maemaika Muri da Terapa Vol. 3 No. Desember 009: 39-50 PEMETAAN LINIER KONTINU PADA RUANG BERNORMA KABUR Muhammad Ahsar K. da Yui Yulida Program Sudi Maemaika Uiversias Lambug Magkura Jl. Jed. A.
Lebih terperinciPENGGGUNAAN 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 terperinciBAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa
Lebih terperinciBAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu
BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperincimempunyai sebaran yang mendekati sebaran normal. Dalam hal ini adalah PKM (penduga kemungkinan maksimum) bagi, ˆ ˆ adalah simpangan baku dari.
Selag Kepercayaa Cotoh Besar Jika ukura cotoh (sample size) besar, maka meurut Teorema Limit Pusat, bayak statistik megikuti/mempuyai sebara yag medekati ormal (dapat diaggap ormal). Artiya jika adalah
Lebih terperinciMODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR
MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais Pada Jurusa Maemaika Oleh :
Lebih terperinciPENGUJIAN HIPOTESIS DUA RATA-RATA
PENGUJIN HIPOTEI DU RT-RT Pegujia hipoesis dua raa-raa diguaka uuk membadigka dua keadaa aau epaya dua populasi. Misalya kia mempuyai dua populasi ormal masig-masig dega raa-raa µ da µ sedagka simpaga
Lebih terperinciBAB 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 terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciINTEGRAL TAK TENTU (pecahan rasional) Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ
INTEGRL TK TENTU pecaha rasioal gusia Pradjaigsih, M.Si. Jurusa Maemaika FMIP UNEJ agusia.fmipa@uej.ac.id DEFINISI Fugsi suku bayak derajad dega bula o egaif 0 dimaa, 0 a a a a a P Fugsi kosa dipadag sbg
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2. Ruag sampel da Kejadia Defiisi Himpua semua hasil yag mugki dari suau percobaa disebu ruag sampel da diyaaka dega S Mogomery, 2004: 7. Tiap hasil dari ruag sampel disebu usur aau
Lebih terperinciBarekeng, Juni hal Vol. 1. No. 1
Barekeg, Jui 7 hal46-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variace Mulivaria Aalysis for Eperime wih Complee Radom Desig Th PENTURY Jurusa Maemaika FMIPA
Lebih terperinciB A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan
30 B A B III METODE PENELITIAN 3. Peeapa Lokai da Waku Peeliia Objek peeliia dalam peeliia ii adalah megaalii perbadiga harga jual produk melalui pedekaa arge pricig dega co-plu pricig pada oko kue yag
Lebih terperinciPendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X
Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..
Lebih terperinci= 0 diturunkan terhadap x. Karena y fungsi dari x, maka setiap kali menurunkan y harus dikalikan dengan didapat diselesaikan ke y '.
6..MENURUNKAN FUNGSI IMPLISIT Padag y fugsi dari yag disajika dalam beuk implisi f (, y) 0. Turuaya y' didapa sebagai beriku: a. Jika mugki y diyaaka sebagai beuk eksplisi dari, lalu diuruka erhadap b.
Lebih terperinciBAB II TINJAUAN PUSTAKA. Black dan Scholes (1973) menyatakan bahwa nilai aset mengikuti Gerak
BAB II TINJAUAN PUSTAKA. Peeliia Terdahulu Black da Scholes (973) meyaaka bahwa ilai ase megikui Gerak Brow Geomeri, dega drif μ (ekpekasi dari reur) da volailias σ (deviasi sadar dari reur). Berawal dari
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciANALISIS BEDA Fx F.. S u S g u i g y i an a t n o t da d n a Ag A u g s u Su S s u wor o o
ANALII BEDA Fx. ugiyao da Agus usworo Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg Meguji apakah erdapa perbedaa yg sigifika
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciJURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA
Achmad Samudi, M.Pd. JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA 6. MENGUJI PROPORSI π : UJI DUA PIAK Mialka kia mempuyai populai biom dega propori periiwa A π Berdaarka ebuah ampel
Lebih terperinciPrediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (4) 337-35 (3-98X Pri) D-34 Sepeda Moor Merek X Di Kabupae Da Koamadya Malag Dega Meode Peramala Hierarki Rika Susai, Desri Susilaigrum, da Suharoo Jurusa Saisika,
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL LINEAR DENGAN MENGGUNAKAN METODE TRANSFORMASI ELZAKI
Bulei Ilmiah Ma. Sa. da erapaya (Bimaser) Volume 4, No. (5), hal 7 6. PNYLSAIAN PRSAMAAN DIFRNSIAL PARSIAL LINAR DNGAN MNGGUNAKAN MOD RANSFORMASI LZAKI Noa Miari, Mariaul Kifiah, Helmi INISARI Persamaa
Lebih terperinciTUGAS AKHIR. Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika. Oleh: AFRIANTI
MODEL TIME SERIES UNTUK PERAMALAN TINGKAT PENJUALAN JENIS BAHAN BAKAR MINYAK (BBM) DI STASIUN PENGISIAN BAHAN BAKAR UNTUK UMUM (SPBU) ARIFIN ACHMAD-PEKANBARU TUGAS AKHIR Diajuka sebagai Salah Sau Syara
Lebih terperinciIII. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data
III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa
Lebih terperinciBab IV. Penderetan Fungsi Kompleks
Bab IV Pedereta Fugsi Kompleks Sebagaimaa pada fugsi real, fugsi kompleks juga dapat dideretka pada daerah kovergesiya. Semua watak kajia kovergesi pada fugsi real berlaku pula pada fugsi kompleks. Secara
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciPeramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown
Jural EKSPONENSIAL Volume 7, Nomor, Mei 06 ISSN 085-789 Peramala Jumlah Peduduk Koa Samarida Dega Megguaka Meode Pemulusa Ekspoesial Gada da Tripel Dari Brow Forecasig he Populaio of he Ciy of Samarida
Lebih terperinciMETODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di
8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,
Lebih terperinciRange 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 terperinciMETODOLOGI. Waktu dan Tempat. Alat dan Bahan
METODOLOGI Waku da Tempa Peeliia merupaka desk sudy dega megguaka daa sekuder da pegolaha daa dilakuka di Laboraorium Klimaologi Depareme Geofisika da Meeorologi, Fakulas Maemaika da Ilmu Pegeahua Alam,
Lebih terperinciBAB 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 terperinciBAB III FORMULA PENENTUAN HARGA OPSI ASIA
3 BAB III FORMULA PEETUA HARA OPSI ASIA Pada Bab III ii aka dibahas megeai opsi Asia da aalisisya, di maa yag aka dibahas hayalah beberapa ipe opsi Asia, da erbaas pada eis Europea call saa. Jeis-eis opsi
Lebih terperinciHimpunan/Selang Kekonvergenan
oki eswa (fmipa-itb) Deret Pagkat Kita aka mempelajari beberapa tehik utuk meyajika suatu fugsi f (x) dalam betuk deret pagkat (power series), yaitu meetuka derat pagkat c (x a) sehigga f (x) = c (x a)
Lebih terperinciSistim Komunikasi 1. Pertemuan 5 Konversi Analog ke Digital
isim Komuikasi 1 Peremua 5 Koversi Aalog ke Digial Murik Alayrus Tekik Elekro Fakulas Tekik, UMB murikalayrus@yahoo.com 1 Base Ba Moulaio Paa bagia sebelum kia meapaka siyal koiyu erhaap waku, misalyasiyalm(),
Lebih terperinciANALISIS BEDA. Konsep. Uji t (t-test) Teknik Uji Beda. Agus Susworo Dwi Marhaendro
ANALII BEA Agus usworo wi Marhaedro Kosep Peeliia bermaksud meguji keadaa (sesuau) yag erdapa dalam suau kelompok dega kelompok lai Meguji apakah erdapa perbedaa yg sigifika di aara kelompok-kelompok Tekik
Lebih terperinciBARISAN DAN DERET. Nurdinintya Athari (NDT)
BARISAN DAN DERET Nurdiitya Athari (NDT) BARISAN Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) = a Fugsi tersebut dikeal sebagai barisa bilaga
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciPemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 30-98X D-87 Pemodela Ideks Harga Saham Gabuga (IHSG), Kurs, da Harga Miyak Duia dega Pedekaa Vecor Auoregressive Dimas Okky.S da Seiawa Jurusa Saisika,
Lebih terperinciMODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja
Bulei Ilmiah Mah. Sa. da Terapaya (Bimaser) Volume 07, No. (018), hal 77 84. MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dada Kusadar, Naomi Nessyaa
Lebih terperinciMariatul Kiftiah. JurusanMatematika FMIPA Universitas Tanjungpura, Pontianak Jl. A Yani Pontianak ABSTRACT
Prosidig Semirata2015 bidag MIPA BKS-PTN Barat Uiversitas Tajugpura Potiaak EKSISTENSI DAN KETUNGGALAN TITIK TETAP DARI PEMETAAN KANNAN DI RUANG MODULAR (THE EXISTENCE AND UNIQUENESS OF A FIXED POINT FOR
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengantar metode ARIMA Box Jenkins dan analisis spektral.
BAB II TINJAUAN PUSTAKA. Pedahulua Pada Bab II aka dijelaska pegeria pegeria da eori dasar yag diguaka sebagai ladasa pembahasa pada bab selajuya. Teori yag aka dibahas pada Bab II ii secara garis besar
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinci,n N. Jelas barisan ini terbatas pada dengan batas M =: 1, dan. barisan ini kovergen ke 0.
PROGRAM STUDI PENDIDIKAN MATEMATIKA FKIP UNMUH PONOROGO SOAL UJIAN TENGAH SEMESTER GENAP TA 03/04 Mata Ujia : Aalisis Real Tipe Soal : REGULER Dose : Dr. Jula HERNADI Waktu : 90 meit Hari, Taggal : Selasa,
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciProgram Perkuliahan Dasar Umum Sekolah Tinggi Teknologi Telkom. Barisan dan Deret
Program Perkuliaha Dasar Umum Sekolah Tiggi Tekologi Telkom Barisa da Deret Barisa Defiisi Barisa bilaga didefiisika sebagai fugsi dega daerah asal merupaka bilaga asli. Notasi: f: N R f( ) a Fugsi tersebut
Lebih terperinciUniversitas Sumatera Utara
50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciManajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS
Modul ke: 06Fakulas EKONOMI DAN BISNIS EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI Program Sudi Akuasi Idik Sodiki,SE,MBA,MM Krieria Kepuusa Ivesasi aau Pegaggara Modal o Beberapa krieria yag aka diperguaka
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciBAB IV METODOLOGI PENELITIAN
30 BAB IV METODOLOGI PENELITIAN 4.1 Beuk da Meode Peeliia Peeliia Opimalisasi da Sraegi Pemafaaa Souher Bluefi Tua di Samudera Hidia Selaa Idoesia diarahka pada upaya uuk megugkapa suau masalah aau keadaa
Lebih terperinciPENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ
Bulei Ilmiah Ma. Sa. da Terapaya (Bimaser) Volume 05, No. 2 (206), hal 79-86 PENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ Sii Faimah, Neva Sayahadewi, Shaika Marha INTISARI
Lebih terperinciHUBUNGAN PELABELAN GRACEFUL PADA DIGRAF BIDIRECTIONAL G DAN GRAF UNDERLYING DARI G
J Sais MIPA Desember 7 Vol 1 No Hal: 197 - ISSN 1978-187 ABSTRACT HUBUNGAN PELABELAN GRACEFUL PADA DIGRAF BIDIRECTIONAL G DAN GRAF UNDERLYING DARI G Kristiaa Wijaya Jurusa Matematika FMIPA Uiversitas Jember
Lebih terperinciPENGGUNAAN BOOTSTRAP DATA DEPENDEN UNTUK MEMBANGUN SELANG KEPERCAYAAN PADA PARAMETER MODEL PERAMALAN DATA STASIONER
JURNAL TEKNIK INDUSTRI VOL. 8, NO., JUNI 2006: 54-60 PENGGUNAAN BOOTSTRAP DATA DEPENDEN UNTUK MEMBANGUN SELANG KEPERCAYAAN PADA PARAMETER MODEL PERAMALAN DATA STASIONER Siaa Halim, Herma Mallia Jurusa
Lebih terperinciPROSIDING ISSN:
PROSIDING ISSN: 5-656 OPTIMISASI BERKENDALA MENGGUNAKAN METODE GRADIEN TERPROYEKSI Nida Sri Uami Uiversias Muhammadiyah Suraara idaruwiyai@gmailcom ABSTRAK Dalam ulisa ii dibahas eag meode gradie erproyesi
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciPENAKSIR 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 terperinciBAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik
Lebih terperinciBUKTI ALTERNATIF KONVERGENSI DERET PELL DAN PELL-LUCAS (ALTERNATIVE PROOF THE CONVERGENCE OF PELL AND PELL-LUCAS SERIES)
rosidig Semirata2015 bidag MIA BKS-TN Barat Uiversitas Tajugpura otiaak BUKTI ALTERNATIF KONVERGENSI DERET ELL DAN ELL-LUCAS (ALTERNATIVE ROOF THE CONVERGENCE OF ELL AND ELL-LUCAS SERIES) Baki Swita 1
Lebih terperinciPERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN
PERENCNN JUMLH PRODUK MENGGUNKN METODE FUZZY MMDNI BERDSRKN PREDIKSI PERMINTN Nama Mahasiswa : Norma Edah Haryai NRP : 1207 100 031 Jurusa : Maemaika FMIP-ITS Dose Pembimbig : Drs. I G N Rai Usadha, M.Si
Lebih terperinciLIMIT. = δ. A R, jika dan hanya jika ada barisan. , sedemikian hingga Lim( a n
LIMIT 4.. FUNGSI LIMIT Defiisi 4.. A R Titik c R adalah titik limit dari A, jika utuk setiap δ > 0 ada palig sedikit satu titik di A, c sedemikia sehigga c < δ. Defiisi diatas dapat disimpulka dega cara
Lebih terperinci9 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 terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciPengantar Statistika Matematika II
Pegatar Statistika Matematika II Metode Evaluasi Atia Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Uiversitas Islam Idoesia April 11, 2017 atiaahdika.com Pegguaa metode estimasi yag berbeda dapat meghasilka
Lebih terperinciTINJAUAN 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 terperinciTEOREMA WEYL UNTUK OPERATOR HYPONORMAL
Jural UJMC, Volume 3, Nomor, Hal. - 6 pissn : 460-3333 eissn : 579-907X TEOREMA WEYL UNTUK OPERATOR HYPONORMAL Guawa Uiversitas Muhammadiyah Purwokerto, gu.oge@gmail.com Abstract This paper aims at describig
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 77-85, Agustus 2003, ISSN : DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN
JURAL MATEMATKA DA KOMPUTER Vol. 6. o., 77-85, Agustus 003, SS : 40-858 DSTRBUS WAKTU BERHET PADA PROSES PEMBAHARUA Sudaro Jurusa Matematika FMPA UDP Abstrak Dalam proses stokhastik yag maa kejadia dapat
Lebih terperinciPREMI ASURANSI JIWA CONTINGENT DENGAN HUKUM DE MOIVRE. Fakultas Matematika dan Ilmu Pengetahuan Alam Univeritas Riau Kampus Bina Widya Indonesia
PREMI ASURANSI JIWA CONTINGENT DENGAN HUKUM DE MOIVRE Eli Trisiai Hasriai Rola Pae Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas Maemaika da Ilmu Pegeahua Alam Uierias Riau Kampus Bia Widya
Lebih terperinciII LANDASAN TEORI. of Portfolio Transactions (Almgren & Chriss 2000).
of Porfolio Trasaios (Almgre & Chriss 000 14 Sisemaika Peulisa Karya ilmiah ii erdiri aas eam bagia Bagia perama berupa pedahulua, erdiri aas laar belakag, ujua peulisa, meode peulisa, da sisemaika peulisa
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciPEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR. Oleh:
PEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR Diajuka sebagai Salah Sau Syara uuk Memperoleh Gelar Sarjaa Sais pada Jurusa Maemaika
Lebih terperinciHendra Gunawan. 12 Februari 2014
MA1201 MATEMATIKA 2A Hedra Guawa Semester II, 2013/2014 12 Februari 2014 Bab Sebelumya 8. Betuk Tak Tetu da Itegral Tak Wajar 8.1 Betuk Tak Tetu 0/0 82 8.2 Betuk Tak Tetu Laiya 8.3 Itegral Tak Wajar dg
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciPENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR
PENERAPAN TEOREMA TITIK TETAP UNTUK MENUNJUKKAN ADANYA PENYELESAIAN PADA SISTEM PERSAMAAN LINEAR Nur Aei Prodi Matematika, FST-UINAM uraeiatullah@gmail.com Ifo: Jural MSA Vol. 3 No. 2 Edisi: Juli Desember
Lebih terperinciUniversitas Sumatera Utara
Uiversias Sumaera Uara BAB 2 LANDASAN TEORI Ladasa eori ii merupaka hasil dari ijaua lieraur-lieraur yag ada kaiaya dega meode-meode peramala maupu dega koeks laiya dalam peulisa Tugas Akhir ii. Adapu
Lebih terperinci