BAB III METODE JUKES-CANTOR DAN METODE KIMURA. Pada Bab ini akan dibahas mengenai metode Jukes-Cantor dan
|
|
- Sri Budiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III METODE JUKES-CANTOR DAN METODE KIMURA Pada Bab ini akan dibahas mengenai metode Jukes-Cantor dan metode Kimura dalam membentuk suatu evolutionary model. Pada dasarnya kedua metode menggunakan ide yang sama dalam menggambarkan substitusi pada single site, yaitu bahwa penggambaran substitusi nukleotida pada single site ini berjalan sesuai dengan suatu regular continuous-time Markov chain [5]. Perbedaan utama antara keduanya terletak pada pembentukan matriks probabilitas transisi P ( t ) dari Markov chain yang nantinya digunakan untuk menentukan jarak antara dua barisan. Berikut dijelaskan lebih lanjut mengenai kedua metode. 3. METODE JUKES-CANTOR Metode Jukes-Cantor menghasilkan suatu model yang biasa disebut sebagai model satu parameter. Model ini mengasumsikan tingkat substitusi yang sama antara transisi dengan transversi. Atau dengan kata lain, tingkat substitusi suatu site berubah dari suatu state menjadi state lain dalam { A, C, G, T} S = adalah sama. Sehingga untuk sembarang state dalam S, probabilitas transisi antar state-state tersebut juga sama, misal sama dengan 3
2 32 f ( t ). Dengan demikian, dengan diasumsikan berjalan sesuai dengan suatu regular continuous-time Markov chain, maka pada Doron-Faigenboim, Adi [2] ditentukan matriks probabilitas transisi dari Jukes-Cantor sebagai berikut f t f t f t f t A f t f t f t f t C P( t), (3.) = f t f t f t f t G f t f t f t f t T dengan f ( t ) merupakan fungsi bernilai non negatif yang diferensiabel untuk setiap t 0. Pada subbab ini akan dijelaskan bentuk elemen-elemen dari matriks P ( t ) (3.) yang pembahasannya diberikan sebagai berikut. Karena Jukes-Cantor diasumsikan berjalan sesuai dengan regular Markov chain maka seluruh elemen P ( t ) dari Jukes-Cantor diferensiabel untuk setiap t 0 sehingga elemen-elemen matriks P ( t ) dari Jukes-Cantor tersebut dapat diturunkan terhadap t sebagai berikut Saat t, 3 f ' t f ' t f ' t f ' t f ' t 3 f ' t f ' t f ' t P '( t) =. f ' t f ' t 3' f t f ' t f ' t f ' t f ' t 3 f ' t
3 33 3 f ' 0 f ' 0 f ' 0 f ' 0 f ' 0 3 f ' 0 f ' 0 f ' 0 P '(0) =. f ' 0 f ' 0 3' f 0 f ' 0 f ' 0 f ' 0 f ' 0 3 f ' 0 Misal didefinisikan suatu matrix of instantaneous change sebagai berikut dimana α f '( 0) positif. 3α α α α α 3α α α Q = P '( 0) =, α α 3α α α α α 3α = merupakan suatu konstanta tingkat substitusi yang bernilai Berdasarkan lemma pada subbab 2...2, untuk t 0 berlaku Maka 3 f ' t f ' t f ' t f ' t f ' t 3 f ' t f ' t f ' t f ' t f ' t 3' f t f ' t f ' t f ' t f ' t 3 f ' t P ' t = P t P ' 0. 3f t f t f t f t 3α α α α f ( t ) 3f ( t ) f ( t ) f ( t ) α 3α α α =. f ( t ) f ( t ) 3f ( t ) f ( t ) α α 3α α f ( t ) f ( t ) f ( t ) 3f ( t ) α α α 3α Pandang elemen pada baris ke satu kolom ke dua dari perkalian matriks tersebut, ( 3 ) ( 3 ) f '( t ) = f t α + f t α + f t α + f t α
4 3 f '( t ) = α 3αf ( t ) 3αf ( t ) + αf ( t ) + αf ( t ) ( ) d f t ( ) αf ( t ) d f t α = α αf t =. Integralkan kedua ruas maka ( ) αf ( t ) d f t α ( α αf ( t )) ln α ( α αf ( t )) ln = = t + c = αc α αf t αt αc = e = e αt αc e αf ( t ) = ce = ce α f ( t ) c e α =. (3.2) Anggap nilai awal f ( 0). Sehingga untuk t, diperoleh nilai c f c 0 =, α α 0 e = α. Substitusikan nilai c ke (3.2) diperoleh αt = (3.3) e f t
5 35 Dengan mensubstitusikan (3.3) ke (3.) maka diperoleh elemen-elemen matriks probabilitas transisi P ( t ) dari Jukes-Cantor sebagai berikut p ij ( t ) 3 + = =, e, i j e i j (3.) untuk setiap i, j S, dan t 0. Berikutnya akan ditunjukkan dua kondisi yang harus dipenuhi oleh Jukes-Cantor dalam menggambarkan substitusi nukleotida. ) Stationary probability distribution φ yang bersifat unik Untuk mencari stationary probability distribution φ = ( φ, φ, φ, φ ) dari Jukes-Cantor, perhatikan sistem persamaan linier yang terbentuk dari berikut: φq = [ φ φ φ φ ] () 3φ + φ + φ + φ (2) φ 3φ + φ + φ (3) φ + φ 3φ + φ () φ + φ + φ 3φ 3α α α α α 3α α α α α 3α α α α α 3α Solusi untuk sistem persamaan linier tersebut adalah φa = φc = φg = φt. = [ ]
6 36 Akan dicari φa = φc = φg = φt yang memenuhi kondisi φi = φa + φc + φg + φt = dengan φi 0 untuk setiap i S. i S Substitusikan φa = φc = φg = φt ke φi = φa + φc + φg + φt = diperoleh i S φa = φc = φg = φt =. Berdasarkan Definisi pada subbab maka stationary probability distribution dari Jukes-Cantor adalah φ =,,,. (3.5) Ini merupakan satu-satunya stationary probability distribution dari Jukes- Cantor sehingga Jukes-Cantor memiliki stationary probability distribution φ yang bersifat unik. 2) Model yang bersifat time-reversible Akan dibuktikan bahwa Jukes-Cantor merupakan model yang bersifat time-reversible. Bukti. Misalkan π ( π, π, π, π ) = merupakan suatu vektor probabilitas awal dari Jukes-Cantor dengan π = φ =,,,. Berdasarkan Definisi 2 pada subbab 2...2, maka reversed Markov chain dari Jukes-Cantor didefinisikan oleh
7 37 p ij * ( t ) φ p ( t ) j ji =, φ i untuk setiap i, j S, dan t 0. Karena φ i = φj = untuk setiap i, j S maka p t = p t, ij * ji untuk setiap i, j S, dan t 0. Berdasarkan elemen-elemen matriks probabilitas transisi P ( t ) dari Jukes- Cantor (3.), maka untuk setiap i, j S, dan t 0 diperoleh e, j = i + e, i = j * pij t p ji t pij t e, j i e, i j = = = = Atau dengan kata lain P * ( t ) P ( t ) = untuk t 0. Sehingga berdasarkan Definisi 3 pada subbab 2...2, model Jukes-Cantor merupakan model yang bersifat time-reversible. Berdasarkan ) dan 2) maka kedua kondisi yang harus dipenuhi oleh Jukes-Cantor terpenuhi. Model Jukes-Cantor diperoleh dengan mengestimasi jarak antara dua barisan berbeda dengan panjang yang sama menggunakan maximum likelihood. Berdasarkan model likelihood (2.8) pada subbab 2..2, L = lnφ + ln φ lnφ + ln p ( t ) + ln p ( t ) + + ln p ( t ) K. x x2 xn xy x2y2 xnyn.
8 38 Pandang elemen-elemen matriks probabilitas transisi P ( t ) (3.) dan stationary probability distribution φ (3.5) dari Jukes-Cantor. Maka model likelihood untuk Jukes-Cantor dapat ditulis menjadi lnl = ln + ln ln + m ln p ( t ) + m ln p ( t ) sama 2 = n ln + m ln psama ( t ) + m2 ln pbeda ( t ) (3.6) dimana m + m2 = n, dengan beda m = banyaknya substitusi ke state yang sama, m 2 = banyaknya substitusi ke state yang berbeda, psama pbeda t = probabilitas site berubah ke state yang sama, t = probabilitas site berubah ke state yang berbeda, untuk t 0. Dengan memaksimumkan model likelihood (3.6) maka akan diperoleh d ( lnl) d nln + m ln psama t + m2 ln pbeda t ' sama beda ' psama t pbeda t m + m p t p t (3.7) Berdasarkan matriks probabilitas transisi P ( t ) dari Jukes-Cantor (3.) maka
9 39 psama ( t ) 3 αt = + e psama '( t ) ( ii ( t )) d p αt = = 3αe, dan (3.8) pbeda αt ( t ) = e p '( t ) beda ( ij ( t )) d p αt = = αe. (3.9) Substitusikan (3.8) dan (3.9) ke (3.7), maka model likelihood (3.7) sekarang menjadi m 3αe αe + m 3 + e e (3.0) Karena α merupakan suatu konstanta yang bernilai positif maka m 3e e + m 3 + e e. Misal z = e, maka m 3z z + m 3 + z z z z 3m + m2 + 3z z 3m z z + m + 3z z diperoleh 3m z + 3m z + m z + 3m z ( 3 3 ) 2 ( 3 ) m + m z m m z 3m m 3m + 3m z =.
10 0 Dengan mensubstitusikan kembali nilai z = e maka 3m m 3m + 3m αt e = 3m m2 = ln 3 m + 3 m 3m m = ln α 3m + 3m t 3m m + 3m 3m = ln α 3m + 3m 2 2 ( 3m + 3m ) ( m 3m ) = ln α 3m + 3m 2 2 m ln 2 = α 3m + 3m m2 = ln α 3 m + m ln α 3 r =, m2 m2 dimana r = = = m + m n banyaknya substitusi ke state yang berbeda panjang barisan Karena pada subbab 2..2 t didefinisikan sebagai jarak antara dua barisan ( d ) maka diperoleh. d = ln r α 3.
11 Dengan pemilihan nilai α = maka diperoleh model Jukes-Cantor yang 3 umum digunakan untuk menghitung jarak antara dua barisan yang berbeda sebagai berikut d 3 = ln r 3 (3.) dimana banyaknya substitusi ke state yang berbeda r =. panjang barisan 3.2 METODE KIMURA Metode Kimura menghasilkan suatu model yang biasa disebut sebagai Kimura 2-Parameter model atau model dua parameter. Model ini merupakan generalisasi dari model Jukes-Cantor yang telah dibahas pada subbab sebelumnya. Model ini mengasumsikan tingkat substitusi yang berbeda antara transisi dengan transversi sehingga probabilitas transisi antara substitusi transisi dengan substitusi transversi tersebut juga berbeda, misal masing-masing sama dengan f ( t ) dan g( t ). Sehingga dengan diasumsikan berjalan sesuai dengan suatu regular continuous-time Markov chain maka pada Penn, Osnat [8] ditentukan matriks probabilitas transisi dari Kimura sebagai berikut
12 2 P t f t 2g t g t f t g t A g t f t g t g t f t C = f t g t f t g t g t G g t f t g t f t g t T (3.2) dengan f ( t ) dan g( t ) merupakan fungsi-fungsi bernilai non negatif yang diferensiabel untuk setiap t 0. Sama seperti pada pembahasan model Jukes-Cantor sebelumnya, akan dicari bentuk elemen-elemen dari matriks P ( t ) (3.2). Karena Kimura diasumsikan berjalan sesuai dengan regular Markov chain maka seluruh elemen P ( t ) dari Kimura diferensiabel untuk setiap t 0 sehingga elemen-elemen matriks P ( t ) dari Kimura tersebut dapat diturunkan terhadap t sebagai berikut P ' ( t ) g '( t ) f '( t) 2 g '( t ) g '( t ) f '( t ) f '( t ) g '( t ) f '( t ) 2 g '( t ) g '( t ) g '( t ) f '( t ) g '( t ) f '( t) 2 g '( t ) f ' t 2 g ' t g ' t f ' t g ' t =. Saat t, P ' 0 g '( 0 ) f '( 0) 2 g '( 0 ) g '( 0 ) f '( 0) f '( 0 ) g '( 0 ) f '( 0) 2 g '( 0 ) g '( 0) g '( 0 ) f '( 0 ) g '( 0 ) f '( 0) 2 g '( 0) f ' 0 2 g ' 0 g ' 0 f ' 0 g ' 0 =. Misal didefinisikan suatu matrix of instantaneous change sebagai berikut
13 3 α 2β β α β β α 2β β α Q = P '( 0) =, α β α 2β β β α β α 2β dimana α = f '( 0) dan β g '( 0) = merupakan konstanta-konstanta tingkat substitusi yang bernilai positif, dengan α merupakan tingkat substitusi dari transisi dan β merupakan tingkat substitusi dari transversi. Berdasarkan lemma pada subbab 2...2, untuk t 0 berlaku Maka P ' t = P t P ' 0. g '( t ) f '( t) 2 g '( t ) g '( t ) f '( t ) f '( t ) g '( t ) f '( t ) 2 g '( t ) g '( t ) g '( t ) f '( t ) g '( t ) f '( t) 2 g '( t ) f ' t 2 g ' t g ' t f ' t g ' t g ( t ) f ( t ) 2g ( t ) g ( t ) f ( t ) f ( t ) g ( t ) f ( t ) 2g ( t ) g ( t ) g ( t ) f ( t ) g ( t ) f ( t ) 2g ( t ) f t 2g t g t f t g t = α 2β β α β β α 2β β α. α β α 2β β β α β α 2β Pandang elemen pada baris ke satu kolom ke tiga dari perkalian matriks tersebut, ( ) ( 2 ) f '( t ) = f t g t α + g t β + f t α β + g t β
14 f '( t ) = α αf ( t ) 2αg ( t ) + βg ( t ) αf ( t ) 2βf ( t ) + βg ( t ) ( ) d f t = α 2 α + β f t 2 α β g t. (3.3) Pandang kembali elemen pada baris ke satu kolom ke dua dari perkalian matriks tersebut, ( ) ( 2 ) g '( t ) ( ) d g t ( ) βg ( t ) d g t β = f t g t β + g t α β + f t β + g t α 2 2 = β βf t βg t αg t βg t + βf t + αg t = β βg t =. Integralkan kedua ruas maka ( ) βg ( t ) d g t β ( β βg ( t )) ln β ( β βg ( t )) ln β = = t + c = βt βc βg t βt βc = e = e βt βc e βg ( t ) = βt ce βt = ce + β
15 5 g ( t ) c e β Anggap nilai awal g ( 0). Sehingga untuk t, diperoleh nilai c g βt =. (3.) c 0 =, β β 0 e = β. Substitusikan nilai c ke (3.) diperoleh βt =. (3.5) e g t Substitusikan (3.5) ke (3.3) diperoleh ( ) d f t = α 2 α + β f t 2 α β e βt ( ) d f t 2 + f t α + β α β α β = α α + β f t + e α + β α β = ( α β) f ( t ) e α + β α β e 2 2 βt = +. (3.6) Persamaan diferensial (3.6) ini merupakan suatu persamaan diferensial linier. Untuk menyelesaikannya, kalikan kedua ruas dengan faktor integrasi e 2( α+ β). βt βt ( ) d f t ( ) d f t + f ( t )( 2( α + β) ) e e + f t α + β e 2 2( α+ ) β 2 + 2( + ) α β α β α + β α β e βt + = e ( α ) β α + β α β = e + e e 2 2 ( + ) ( + ) 2 α β βt 2 α β
16 6 ( ) 2( α+ ) d f t e β + f t d e 2( α+ ) β α + β α β = e + e e 2 2 ( + ) ( + ) 2 α β βt 2 α β p( t ) d f ( t ) e α + β 2( + ) α β βt 2( + ) = e + e e 2 2 d f ( t ) e Integralkan kedua ruas maka f t e p t 2( α+ β ) βt 2( α + ) α β α β α + β 2( α+ β) α β βt 2( α+ β) = e + e e 2 2 α + β α β β = e e ( α β) t f ( t ) e + α + β α β βt 2( α β ) t e + = + e 2 2 α + β 2( α+ β) t α β 2( α β) t = e + e α + β t 2 α β t α + β e α β e = + + c 2 2 α + β 2 2 α β ( α+ β) t ( α β) t = e + e + c f ( t ) βt 2( α β) t = + e + ce + (3.7) Anggap nilai awal f ( 0). Sehingga untuk t, β 0 2( α β) 0 f ( 0) = + e + ce +, diperoleh nilai c =. Substitusikan nilai c ke (3.7) diperoleh 2
17 7 ( α ) = + (3.8) 2 βt β t f t e e + Dengan mensubstitusikan (3.5) dan (3.8) ke (3.2) maka diperoleh elemen-elemen matriks probabilitas transisi P ( t ) dari Kimura sebagai berikut ( α β) t = = = = + +, 2 βt paa t pcc t pgg t ptt t e e + () ( α ) = = = = +, dan 2 βt β t pag t pga t pct t ptc t e e + (2) (3) p ( t ) = p ( t ) = p ( t ) = p ( t ) = p ( t ) = p ( t ) = p ( t ) = p ( t ) AC CA AT TT CG GC GT TG βt = e. (3.9) untuk t 0. Berikutnya akan ditunjukkan dua kondisi yang harus dipenuhi oleh Kimura dalam menggambarkan substitusi nukleotida. ) Stationary probability distribution φ yang bersifat unik Untuk mencari stationary probability distribution φ = ( φ, φ, φ, φ ) dari Kimura, perhatikan sistem persamaan linier yang terbentuk dari φq = [ φ φ φ φ ] berikut: α 2β β α β β α 2β β α α β α 2β β β α β α 2β = [ ]
18 8 () α 2β φ + βφ + αφ + βφ (2) βφ + α 2β φ + βφ + αφ (3) αφ + βφ + α 2β φ + βφ () βφ + αφ + βφ + α 2β φ Solusi untuk sistem persamaan linier tersebut adalah φa = φc = φg = φt. Akan dicari φa = φc = φg = φt yang memenuhi kondisi φi = φa + φc + φg + φt = dengan φi 0 untuk setiap i S. i S Substitusikan φa = φc = φg = φt ke φi = φa + φc + φg + φt = diperoleh i S φa = φc = φg = φt =. Berdasarkan Definisi pada subbab maka stationary probability distribution dari Kimura adalah φ =,,,. (3.20) φ =,,, ini merupakan satu-satunya stationary probability distribution dari Kimura sehingga Kimura memiliki stationary probability distribution φ yang bersifat unik.
19 9 2) Model yang bersifat time-reversible Akan dibuktikan bahwa Kimura merupakan model yang bersifat timereversible. Bukti. Misalkan π ( π, π, π, π ) = merupakan suatu vektor probabilitas awal dari Kimura dengan π = φ =,,,. Berdasarkan Definisi 2 pada subbab 2...2, maka reversed Markov chain dari Kimura didefinisikan oleh p ij * ( t ) φ p ( t ) j ji =, φ i untuk setiap i, j S, dan t 0. Karena φ i = φj = untuk setiap i, j S maka p t = p t, ij * ji untuk setiap i, j S, dan t 0. Berdasarkan elemen-elemen matriks probabilitas transisi P ( t ) dari Kimura (3.22), maka untuk t 0 diperoleh ( α ) = = = = + +, 2 βt β t paa t pcc t pgg t ptt t e e + () * * * * ( α ) = = = = +, dan 2 βt β t pag t pga t pct t ptc t e e + (2) * * * *
20 50 (3) p * ( t ) = p * ( t ) = p * ( t ) = p * ( t ) = p * ( t ) = p * ( t ) = p * ( t ) = p * ( t ) AC CA AT TT CG GC GT TG βt = e. Atau dengan kata lain P * ( t ) P ( t ) = untuk t 0. Sehingga berdasarkan Definisi 3 pada subbab 2...2, model Kimura merupakan model yang bersifat time-reversible. Berdasarkan ) dan 2) maka kedua kondisi yang harus dipenuhi oleh Kimura terpenuhi. Seperti yang telah disebutkan sebelumnya, model Kimura merupakan generalisasi dari model Jukes-Cantor. Hal ini dikarenakan pada tingkat substitusi transisi yang sama dengan tingkat substitusi transversi, yaitu pada pemilihan nilai α = β, maka model Kimura akan memiliki bentuk yang sama dengan Jukes-Cantor. Berikut diberikan penjelasannya. Berdasarkan model likelihood (2.8) pada subbab 2..2, L = lnφ + ln φ lnφ + ln p ( t ) + ln p ( t ) + + ln p ( t ) K. x x2 xn xy x2y2 xnyn Pandang elemen-elemen matriks probabilitas transisi P ( t ) (3.9) dan stationary probability distribution φ (3.20) dari Kimura. Maka model likelihood untuk Kimura dapat ditulis menjadi lnl = ln + ln ln + m ln p ( t ) + m ln p ( t ) + m ln p ( t ) sama 2 transisi 3 transversi = n ln + m ln psama ( t ) + m2 ln ptransisi ( t ) + m3 ln ptransversi ( t ), (3.2)
21 5 dimana m + m2 + m3 = n, dengan m = banyaknya substitusi ke state yang sama, m 2 = banyaknya substitusi transisi, m 3 = banyaknya substitusi transversi, sama p t = probabilitas site berubah ke state yang sama, ptransisi ptransversi t = probabilitas substitusi transisi, untuk t 0. t = probabilitas substitusi transversi, Dengan memaksimumkan model likelihood (3.2) maka akan diperoleh d ( lnl) d nln + m ln psama t + m2 ln ptransisi t + m3 ln ptransversi t psama ' t ptransisi ' t ptransversi ' t m + m2 + m3 p t p t p t sama transisi transversi. (3.22) Berdasarkan matriks probabilitas transisi P ( t ) dari Kimura (3.9) maka 2 βt 2( α+ β) t βt p ( t ) = + e + e ' = ( + ) sama ptransisi t e e + 2 sama ( α ) 2 + β t p t βe α β e (3.23) βt 2( α β) t = + ' βt ptransversi t e transisi βt = p '( t ) βe 2( α ) β t p t = βe + α + β e + (3.2) transversi βt =. (3.25)
22 52 Substitusikan (3.23), (3.2), dan (3.25) ke (3.22), maka model likelihood (3.22) sekarang menjadi βt 2 α+ β t βt 2 α+ β t βt βe α + β e βe + α + β e βe m + m2 + m3 βt 2( α + β ) t βt 2( α+ β ) t βt + e + e + e e e 2 2 (3.26) dimana α dan β merupakan konstanta-konstanta tingkat substitusi yang bernilai positif dengan α merupakan tingkat substitusi dari transisi dan β merupakan tingkat substitusi dari transversi. Pilih α = β, maka model (3.26) menjadi αe 2αe αe + 2αe αe m + m + m + e + e + e e e αe αe αe m + m + m 3 + e e e 3 3αe αe m + ( m + m ) 3 + e e 3, atau m 3αe αe + m 3 + e e, (3.27) dimana m adalah banyaknya substitusi ke state yang sama dan m = m2 + m3 adalah banyaknya substitusi ke state yang berbeda. Model (3.27) ini merupakan model yang sama seperti yang diberikan oleh model
23 53 maximum likelihood Jukes-Cantor (3.0). Sehingga dengan kata lain, untuk α = β, Kimura akan menghasilkan model yang sama dengan model Jukes- Cantor. barisan. dimana r = Berikut diberikan model Kimura untuk menghitung jarak antara dua (( ) 2 ) d = ln 2 r r 2 r, (3.28) 2 banyaknya substitusi transisi, dan r 2 = panjang barisan banyaknya substitusi transversi panjang barisan Perolehan model Kimura (3.28) tersebut tidak akan dijelaskan lebih lanjut pada skripsi ini, namun dapat dilihat perolehan selengkapnya pada Kimura, Motoo [6]. Model Jukes-Cantor (3.) dan model Kimura (3.28) ini selanjutnya digunakan untuk menghitung jarak tiap pasang barisan yang akan disimulasikan dalam bentuk program pada Bab IV terhadap suatu data barisan DNA..
BAB II KONSEP DAN TEORI DASAR. Pada bab ini akan dibahas beberapa konsep dan teori dasar yang. digunakan untuk membahas bab-bab selanjutnya.
BAB II KONSEP DAN TEORI DASAR Pada bab ini akan dibahas beberapa konsep dan teori dasar yang digunakan untuk membahas bab-bab selanjutnya. 2.1 BIOINFORMATIKA Keberhasilan para ahli dalam mengungkap barisan
Lebih terperinciBAB IV SIMULASI MODEL JUKES-CANTOR DAN MODEL KIMURA. terdapat pada Bab III akan disimulasikan dengan menggunakan aplikasi
BAB IV SIMULASI MODEL JUKES-CANTOR DAN MODEL KIMURA 4.1 SIMULASI Pada bab ini model Jukes-Cantor (3.11) dan model Kimura (3.28) yang terdapat pada Bab III akan disimulasikan dengan menggunakan aplikasi
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
Lebih terperinciSUATU KAJIAN DALAM MEMBENTUK MATRIKS JARAK UNTUK MEMBANGUN PHYLOGENETIC TREE MENGGUNAKAN METODE JUKES-CANTOR DAN METODE KIMURA FEBRINI CESARINA
SUATU KAJIAN DALAM MEMBENTUK MATRIKS JARAK UNTUK MEMBANGUN PHYLOGENETIC TREE MENGGUNAKAN METODE JUKES-CANTOR DAN METODE KIMURA FEBRINI CESARINA 0304017018 UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB IV MODEL HIDDEN MARKOV
BAB IV MODEL HIDDEN MARKOV 4.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang (Ω, F, P). Misalnya X = {X : k N} adalah rantai Markov dengan state berhingga yang bersifat homogen
Lebih terperinciKonsep Dasar Markov Chain serta Kemungkinan Penerapannya di Bidang Pertanian
Edi Abdurachman * Konsep Dasar Markov Chain serta Kemungkinan Penerapannya di Bidang Pertanian Pendahuluan Konsep dasar Markov Chain baru diperkenalkan sekitar tahun 1907, oleh seorang Matematisi Rusia
Lebih terperinciII LANDASAN TEORI. Contoh. Ditinjau dari sistem yang didefinisikan oleh:
5 II LANDASAN TEORI 2.1 Keterkontrolan Untuk mengetahui persoalan sistem kontrol mungkin tidak ada, jika sistem yang ditinjau tidak terkontrol. Walaupun sebagian besar sistem terkontrol ada, akan tetapi
Lebih terperinciBAB III MODEL ANTRIAN MULTISERVER DENGAN VACATION
BAB III MODEL ANTRIAN MULTISERVER DENGAN VACATION Dalam sebuah sistem antrian akan terdapat individu yang datang untuk mendapatkan pelayanan yang disebut dengan customer, juga individu yang akan memberikan
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciBAB IV PERSAMAAN DIFERENSIAL LINIER
BAB IV PERSAMAAN DIFERENSIAL LINIER Tujuan Instruksional: Mampu memahami konsep PD Linier Mampu memahami konsep ketakbebasan linier, determinan Wronski dan superposisi Mampu memahami metode penyelesaian
Lebih terperinci9. Teori Aproksimasi
44 Hendra Gunawan 9 Teori Aproksimasi Mulai bab ini tema kita adalah aproksimasi fungsi dan interpolasi Diberikan sebuah fungsi f, baik secara utuh ataupun hanya beberapilai di titik-titik tertentu saja,
Lebih terperinciBab 4 SOLUSI PENGAMBILAN KEPUTUSAN. 4.1 Masalah Pengambilan Keputusan Markov dengan Pendekatan Program Linier
Bab 4 SOLUSI PENGAMBILAN KEPUTUSAN Pada bab ini akan dibahas mengenai masalah pengambilan keputusan Markov pada pengelolaan mata kuliah MA1122 Kalkulus I dengan pendekatan program linier, solusi dari masalah
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciHALAMAN JUDUL LEMBAR PERSETUJUAN...
DAFTAR ISI HALAMAN JUDUL LEMBAR PERSETUJUAN... i LEMBAR PENGESAHAN... ii LEMBAR PERNYATAAN... iii ABSTRAK... iv ABSTRACT... v KATA PENGANTAR... vi DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xi
Lebih terperinciBAB III METODE PENELITIAN
digilib.uns.ac.id BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah kajian pustaka dari buku referensi karya ilmiah. Karya ilmiah yang digunakan adalah hasil penelitian serta
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinci6.6 Rantai Markov Kontinu pada State Berhingga
6.6 Rantai Markov Kontinu pada State Berhingga Markov chain kontinu 0 adalah proses markov pada state 0, 1, 2,.... Diasumsikan bahwa probabilitas transisi adalah stasioner, pada persamaan, (6.53) Pada
Lebih terperinciBAB III. Hidden Markov Models (HMM) Namun pada beberapa situasi tertentu yang ditemukan di kehidupan nyata,
BAB III Hidden Markov Models (HMM) 3.1 Pendahuluan Rantai Markov mempunyai state yang dapat diobservasi secara langsung. Namun pada beberapa situasi tertentu yang ditemukan di kehidupan nyata, beberapa
Lebih terperinciPROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES)
#11 PROSES MARKOV KONTINYU (CONTINOUS MARKOV PROCESSES) 11.1. Pendahuluan Masalah keandalan yang berhubungan dengan sistem secara normal adalah space memiliki sifat diskrit yaitu sistem tersebut dapat
Lebih terperinciBAB VII MATRIKS DAN SISTEM LINEAR TINGKAT SATU
BAB VII MATRIKS DAN SISTEM LINEAR TINGKAT SATU Sistem persamaan linear orde/ tingkat satu memiliki bentuk standard : = = = = = = = = = + + + + + + + + + + Diasumsikan koefisien = dan fungsi adalah menerus
Lebih terperinciPENGGUNAAN METODE LYAPUNOV UNTUK MENGUJI KESTABILAN SISTEM LINIER
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 29 33 ISSN : 233 291 c Jurusan Matematika FMIPA UNAND PENGGUNAAN METODE LYAPUNOV UNTUK MENGUJI KESTABILAN SISTEM LINIER OKTAVIA LOVE LINA Program Studi Matematika,
Lebih terperinciAnalisa Numerik. Teknik Sipil. 1.1 Deret Taylor, Teorema Taylor dan Teorema Nilai Tengah. 3x 2 x 3 + 2x 2 x + 1, f (n) (c) = n!
Analisa Numerik Teknik Sipil 1 PENDAHULUAN 1.1 Deret Taylor, Teorema Taylor dan Teorema Nilai Tengah Dalam matematika, dikenal adanya fungsi transenden (fungsi eksponen, logaritma natural, invers dan sebagainya),
Lebih terperinciBAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY
BAB III MODEL HIDDEN MARKOV KONTINU DENGAN PROSES OBSERVASI ZERO DELAY 3.1 State dan Proses Observasi Semua proses didefinisikan pada ruang peluang Ω,,. Misalkan ; adalah rantai Markov dengan state berhingga
Lebih terperinciAnalisis Riil II: Diferensiasi
Definisi Turunan Definisi dan Teorema Aturan Rantai Fungsi Invers Definisi (Turunan) Misalkan I R sebuah interval, f : I R, dan c I. Bilangan riil L dikatakan turunan dari f di c jika diberikan sebarang
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciBAB I PERSAMAAN DIFERENSIAL LINIER ORDE I
BAB I PERSAMAAN DIFERENSIAL LINIER ORDE I. Pengertian PD, Orde (tingkat), & Derajat (Pangkat) Persamaan diferensial adalah suatu persamaan yang memuat derivatifderivatif (turunan) sekurang-kurangnya derivatif
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Model Markov Dalam teori probabilitas, model Markov adalah model stokastik yang digunakan untuk memodelkan sistem yang berubah-ubah secara random di mana diasumsikan bahwa kondisi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. Pengertian Distribusi Eksponensial Distribusi eksponensial adalah distribusi yang paling penting dan paling sederhana kegagalan mesin penghitung otomatis dan kegagalan komponen
Lebih terperinciTEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR ABSTRACT
TEKNIK ITERASI VARIASIONAL UNTUK MENYELESAIKAN PERSAMAAN NONLINEAR Koko Saputra 1, Supriadi Putra 2, Zulkarnain 2 1 Mahasiswa Program Studi S1 Matematika 2 Laboratorium Matematika Terapan, Jurusan Matematika
Lebih terperinciBAB 3 PEMBAHASAN. Contoh 1:
BAB 3 PEMBAHASAN 3.1 Pengolahan Data Seperti yang telah dijelaskan sebelumnya, rantai markov atau proses markov akan digunakan untuk menganalisa data yang diperoleh dalam penelitian ini. Contoh kasus yang
Lebih terperinciSistem Persamaan Linier dan Matriks
Sistem Persamaan Linier dan Matriks 1.1 Pendahuluan linier: Sebuah garis pada bidang- dapat dinyatakan secara aljabar dengan sebuah persamaan Sebuah persamaan jenis ini disebut persamaan linier dalam dua
Lebih terperinciperpindahan, kita peroleh persamaan differensial berikut :
1.1 Pengertian Persamaan Differensial Banyak sekali masalah terapan (dalam ilmu teknik, ilmu fisika, biologi, kimia, sosial, dan lain-lain), yang telah dirumuskan dengan model matematika dalam bentuk persamaan
Lebih terperinciBAB III HIDDEN MARKOV MODELS. Rantai Markov bermanfaat untuk menghitung probabilitas urutan keadaan
BAB III HIDDEN MARKOV MODELS Rantai Markov bermanfaat untuk menghitung probabilitas urutan keadaan yang dapat diamati. Tetapi terkadang ada urutan dari suatu keadaan yang ingin diketahui tetapi tidak dapat
Lebih terperinciPertemuan Ke 2 SISTEM PERSAMAAN LINEAR (SPL) By SUTOYO,ST.,MT
Pertemuan Ke SISTEM PERSAMAAN LINEAR (SPL) By SUTOYO,ST,MT Pendahuluan Suatu sistem persamaan linier (atau himpunan persaman linier simultan) adalah satu set persamaan dari sejumlah unsur yang tak diketahui
Lebih terperinciBAB IV ANALISIS MARKOV
BAB IV ANALISIS MARKOV 1. Pendahuluan Model Rantai Markov dikembangkan oleh seorang ahli Rusia A.A. Markov pada tahun 1906. Pada umumnya Riset Operasional bertujuan untuk mengambil keputusan yang optimal
Lebih terperinciCatatan Kuliah Aljabar Linier
Catatan Kuliah Suryadi Siregar Sekolah Tinggi Manajemen Informatika dan Komputer Bandung BANDUNG 018 Kata Pengantar Bagian pertama, buku ini membahas tentang, operasi vektor dan aplikasi perkalian vektor.
Lebih terperinciNilai mutlak pada definisi tersebut di interpretasikan untuk mengukur jarak dua
II. LANDASAN TEORI 2.1 Limit Fungsi Definisi 2.1.1(Edwin J, 1987) Misalkan I interval terbuka pada R dan f: I R fungsi bernilai real. Secara matematis ditulis lim f(x) = l untuk suatu a I, yaitu nilai
Lebih terperinciMarkov Chain. Game Theory. Dasar Simulasi
Markov Chain Game Theory Dasar Simulasi Analisis Perubahan Cuaca Perpindahan merek Operasi dan maintenance mesin Perubahan harga di pasar saham dll Menyusun matriks probabilitas transisi. Menghitung probabilitas
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika PELUANG PENINGKATAN TENAGA KERJA DI INDONESIA
Lebih terperinciRivised Simpleks Method (metode simpleks yang diperbaiki)
Rivised impleks Method (metode simpleks yang diperbaiki) Metode simpleks yang sudah kita pelajari, menunjukkan bahwa setiap perpindahan tabel baru selalu membawa semua elemen yang terdapat dalam tabel.
Lebih terperinciPROSES KEPUTUSAN MARKOVIAN TEKNIK RISET OPERASI
PROSES KEPUTUSAN MARKOVIAN TEKNIK RISET OPERASI Contoh TIA 310 3 Contoh TIA 310 4 TIA 310 5 TIA 310 6 TIA 310 7 TIA 310 8 Cara Perhitungan 0.2 x 7 + 0.5 x 6 + 0.3 x 3 = 5.3 0 x 0 + 0.5 x 5 + 0.5 x 1 =
Lebih terperinciPERSAMAAN DIFERENSIAL (PD)
PERSAMAAN DIFERENSIAL (PD) A. PENGERTIAN Persamaan yang mengandung variabel dan beberapa fungsi turunan terhadap variabel tersebut. CONTOH : + 5 5 0 disebut PD orde I + 6 + 7 0 disebut PD orde II B. PEMBENTUKAN
Lebih terperinciMetode Koefisien Tak Tentu untuk Penyelesaian PD Linier Homogen Tak Homogen orde-2 Matematika Teknik I_SIGIT KUSMARYANTO
Metode Koefisien Tak Tentu untuk Penyelesaian Persamaan Diferensial Linier Tak Homogen orde-2 Solusi PD pada PD Linier Tak Homogen ditentukan dari solusi umum PD Linier Homogen dan PD Linier Tak Homogen.
Lebih terperinciRantai Markov Diskrit (Discrete Markov Chain)
#10 Rantai Markov Diskrit (Discrete Markov Chain) 10.1. Pendahuluan Berbagai teknik analitis untuk mengevaluasi reliability dari suatu sistem telah diuraikan pada bab terdahulu. Teknik analitis ini mengasumsikan
Lebih terperinciMATRIKS Nuryanto, ST., MT.
MateMatika ekonomi MATRIKS TUJUAN INSTRUKSIONAL KHUSUS Setelah mempelajari bab ini, anda diharapkan dapat : 1. Pengertian matriks 2. Operasi matriks 3. Jenis matriks 4. Determinan 5. Matriks invers 6.
Lebih terperinci02-Pemecahan Persamaan Linier (1)
-Pemecahan Persamaan Linier () Dosen: Anny Yuniarti, M.Comp.Sc Gasal - Anny Agenda Bagian : Vektor dan Persamaan Linier Bagian : Teori Dasar Eliminasi Bagian 3: Eliminasi Menggunakan Matriks Bagian 4:
Lebih terperinci6 Sistem Persamaan Linear
6 Sistem Persamaan Linear Pada bab, kita diminta untuk mencari suatu nilai x yang memenuhi persamaan f(x) = 0. Pada bab ini, masalah tersebut diperumum dengan mencari x = (x, x,..., x n ) yang secara sekaligus
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciBAB II DASAR TEORI 2.1 Pengertian Tata Guna/Tutupan Lahan
BAB II DASAR TEORI Prediksi perubahan lahan merupakan salah satu informasi penting untuk mendukung perencanaan penggunaan lahan. Untuk itu perlu dibuat suatu model yang mampu mewakili prediksi perubahan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan nyata, hampir seluruh fenomena alam mengandung ketidakpastian atau bersifat probabilistik, misalnya pergerakan lempengan bumi yang menyebabkan gempa,
Lebih terperinciBab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik
Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses
Lebih terperinciHOMOMORFISMA. Yus Mochamad Cholily Jurusan Pendidikan Matematika Universitas Muhammadiyah Malang
HOMOMORFISMA Yus Mochamad Cholily Jurusan Pendidikan Matematika Universitas Muhammadiyah Malang email:ymcholily@gmail.com May 19, 2013 1 Daftar Isi 1 Tujuan 3 2 Homomorfisma 3 3 Sifat-sifat Homomorfisma
Lebih terperinciPERSAMAAN DIFFERENSIAL ORDE I. Nurdinintya Athari
PERSAMAAN DIFFERENSIAL ORDE I Nurdininta Athari Definisi PERSAMAAN DIFERENSIAL Persamaan diferensial adalah suatu persamaan ang memuat satu atau lebih turunan fungsi ang tidak diketahui. Jika persamaan
Lebih terperinciMetode Simpleks Minimum
Metode Simpleks Minimum Perhatian Untuk menyelesaikan Persoalan Program Linier dengan Metode Simpleks untuk fungsi tujuan memaksimumkan dan meminimumkan caranya BERBEDA. Perhatian Model matematika dari
Lebih terperinciANALISIS REAL. (Semester I Tahun ) Hendra Gunawan. October 10, Dosen FMIPA - ITB
(Semester I Tahun 2011-2012) Dosen FMIPA - ITB E-mail: hgunawan@math.itb.ac.id. October 10, 2011 Pemahaman yang baik tentang fungsi kontinu merupakan hal yang penting dalam analisis. Dalam optimisasi,
Lebih terperinciBAB II DASAR DASAR TEORI
BAB II DASA DASA TEOI.. uang ruang Vektor.. uang Vektor Umum Defenisi dan sifat sifat sederhana Defenisi : Misalkan V adalah sebarang himpunan benda yang didefenisikan dua operasi, yakni penambahan perkalian
Lebih terperinciM AT E M AT I K A E K O N O M I MATRIKS DAN SPL I N S TITUT P ERTA N I A N BOGOR
M AT E M AT I K A E K O N O M I MATRIKS DAN SPL TO N I BAKHTIAR I N S TITUT P ERTA N I A N BOGOR 2 0 1 2 Kesetimbangan Dua Pasar Permintaan kopi bergantung tidak hanya pada harganya tetapi juga pada harga
Lebih terperinciBAB 1. Rantai Markov 1.1 ILUSTRASI
BAB 1 Rantai Markov 1.1 ILUSTRASI (Ilustrasi 1) Akhir-akhir ini, hujan dan panas (baca: tidak hujan) datang silih berganti tanpa bisa diduga. Kalau hari ini hujan, besok mungkin hujan mungkin juga panas.
Lebih terperinciTE Sistem Linier. Sistem Waktu Kontinu
TE 226 - Sistem Linier Jimmy Hasugian Electrical Engineering - Maranatha Christian University jimlecture@gmail.com - http://wp.me/p4scve-g Sistem Waktu Kontinu Jimmy Hasugian (MCU) Sistem Waktu Kontinu
Lebih terperinciBAB I PENDAHULUAN. Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam kehidupan sehari-hari, sering dijumpai peristiwa-peristiwa yang terjadi secara beruntun dan dengan kemungkinan yang berbeda-beda. Sebagai contoh sekarang
Lebih terperinciPersamaan Poisson. Fisika Komputasi. Irwan Ary Dharmawan
(Pendahuluan) 1D untuk syarat batas Robin 2D dengan syarat batas Dirichlet Fisika Komputasi Jurusan Fisika Universitas Padjadjaran http://phys.unpad.ac.id/jurusan/staff/dharmawan email : dharmawan@phys.unpad.ac.id
Lebih terperinciKEMUNGKINAN (LIKELIHOOD) MODEL FILOGENETIK MELALUI MODEL MARKOV TERSEMBUNYI Studi kasus: Hylobates, Pongo, Gorilla, Homo sapiens, dan Pan TESIS
KEMUNGKINAN (LIKELIHOOD) MODEL FILOGENETIK MELALUI MODEL MARKOV TERSEMBUNYI Studi kasus: Hylobates, Pongo, Gorilla, Homo sapiens, dan Pan TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciVolume 2 No 1 Desember 216 ISSN:288-3943 ANALISIS PERSEDIAAN BAHAN BAKU YANG OPTIMAL MENGGUNAKAN RANTAI MARKOV DI PT. PDM INDONESIA Muslena Layla Program Studi Komputerisasi Akuntansi Politeknik Trijaya
Lebih terperinciMODUL MATEMATIKA II. Oleh: Dr. Eng. LILYA SUSANTI
MODUL MATEMATIKA II Oleh: Dr. Eng. LILYA SUSANTI DEPARTEMEN RISET TEKNOLOGI DAN PENDIDIKAN TINGGI UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL KATA PENGANTAR Puji sukur kehadirat Allah SWT
Lebih terperinciPenyelesaian Penempatan Kutub Umpan Balik Keluaran dengan Matriks Pseudo Invers
Penyelesaian Penempatan Kutub Umpan Balik Keluaran dengan Matriks Pseudo Invers Agung Wicaksono, J2A605006, Jurusan Matematika, FSM UNDIP, Semarang, 2012 Abstrak: Metode matriks pseudo invers merupakan
Lebih terperinciSolusi Persamaan Linier Simultan
Solusi Persamaan Linier Simultan Obyektif : 1. Mengerti penggunaan solusi persamaan linier 2. Mengerti metode eliminasi gauss. 3. Mampu menggunakan metode eliminasi gauss untuk mencari solusi 1. Sistem
Lebih terperinciBAB 3 DATA DAN METODOLOGI
BAB 3 DATA DAN METODOLOGI 3.1 Data Data yang dipergunakan dalam tulisan ini adalah data kolektibilitas debitur kredit per bulan dari 10 (sepuluh) bank di Indonesia dengan fokus usaha pada corporate, yang
Lebih terperinciPengolahan Dasar Matriks Bagus Sartono
Pengolahan Dasar Matriks Bagus Sartono bagusco@gmail.com Departemen Statistika FMIPA IPB Notasi Dasar Matriks A mxn, m A n, [a ij ] mxn : matriks berukuran m x n (m baris, n kolom) a ij adalah elemen matriks
Lebih terperinciAPLIKASI MARKOV RANDOM FIELD PADA MASALAH INDUSTRI
APLIKASI MARKOV RANDOM FIELD PADA MASALAH INDUSTRI Siana Halim Dosen Fakultas Teknologi Industri, Jurusan Teknik Industri Universitas Kristen Petra ABSTRAK Rantai Markov dalam proses stokastik seringkali
Lebih terperinciSilabus. Proses Stokastik (MMM 5403) Proses Stokastik. Contoh
Silabus Proses Stokastik (MMM 5403) Status: Wajib Minat Statistika Rantai Markov, klasifikasi rantai Markov. Limit rantai Markov dan aplikasinya. Rantai Markov kontinu, contoh-contoh klasik. Proses renewal,
Lebih terperinciII. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciBAB II SISTEM PERSAMAAN LINEAR. Sistem persamaan linear ditemukan hampir di semua cabang ilmu
BAB II SISTEM PERSAMAAN LINEAR Sistem persamaan linear ditemukan hampir di semua cabang ilmu pengetahuan. Di bidang ilmu ukur, diperlukan untuk mencari titik potong dua garis dalam satu bidang. Di bidang
Lebih terperinciMatriks biasanya dituliskan menggunakan kurung dan terdiri dari baris dan kolom: A =
Bab 2 cakul fi080 by khbasar; sem1 2010-2011 Matriks Dalam BAB ini akan dibahas mengenai matriks, sifat-sifatnya serta penggunaannya dalam penyelesaian persamaan linier. Matriks merupakan representasi
Lebih terperinciBAB I PENDAHULUAN. Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat,
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan dan teknologi yang sangat pesat, menjadikan statistika memegang peranan penting dalam kehidupan. Hampir semua fenomena yang terjadi
Lebih terperinciAK6083 Manajemen Risiko Kuantitatif. Referensi: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools.
AK6083 Manajemen Risiko Kuantitatif Referensi: Silabus: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools Seputar risiko dan volatilitas Peubah acak dan fungsi
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciPersamaan Difusi. Penurunan, Solusi Analitik, Solusi Numerik (Beda Hingga, RBF) M. Jamhuri. April 7, UIN Malang. M. Jamhuri Persamaan Difusi
Persamaan Difusi Penurunan, Solusi Analitik, Solusi Numerik (Beda Hingga, RBF) M Jamhuri UIN Malang April 7, 2013 Penurunan Persamaan Difusi Misalkan u(x, t) menyatakan konsentrasi dari zat pada posisi
Lebih terperinciMETODE ITERATIF YANG DIPERCEPAT UNTUK Z-MATRIKS ABSTRACT
METODE ITERATIF YANG DIPERCEPAT UNTUK Z-MATRIKS Mildayani 1, Syamsudhuha 2, Aziskhan 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus
Lebih terperinciTE Sistem Linier. Sistem Waktu Kontinu
TE 226 - Sistem Linier Jimmy Hasugian Electrical Engineering - Maranatha Christian University jimlecture@gmail.com - http://wp.me/p4scve-g Sistem Waktu Kontinu Jimmy Hasugian (MCU) Sistem Waktu Kontinu
Lebih terperinciMATRIKS. Definisi: Matriks adalah susunan bilangan-bilangan yang berbentuk segiempat siku-siku yang terdiri dari baris dan kolom.
Page- MATRIKS Definisi: Matriks adalah susunan bilangan-bilangan yang berbentuk segiempat siku-siku yang terdiri dari baris dan kolom. Notasi: Matriks dinyatakan dengan huruf besar, dan elemen elemennya
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
Lebih terperinciPertemuan 1 dan 2 KONSEP DASAR PERSAMAAN DIFERENSIAL
Pertemuan 1 dan 2 KONSEP DASAR PERSAMAAN DIFERENSIAL A. PENGERTIAN PERSAMAAN DIFERENSIAL Dalam pelajaran kalkulus, kita telah berkenalan dan mengkaji berbagai macam metode untuk mendiferensialkan suatu
Lebih terperinciDISTRIBUSI PROBABILITAS TOTAL WAKTU BEKERJA SUATU SISTEM
DISTRIBUSI PROBABILITAS TOTAL WAKTU BEKERJA SUATU SISTEM Taryo, Suyono, Dian Handayani JURUSAN MATEMATIKA FAKULTAS MATEMATIKAN DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI JAKARTA 2 Agustus 27 Abstraksi
Lebih terperinciBAB I DERIVATIF (TURUNAN)
BAB I DERIVATIF (TURUNAN) Pada bab ini akan dipaparkan pengertian derivatif suatu fungsi, beberapa sifat aljabar derivatif, aturan rantai, dan derifativ fungsi invers. A. Pengertian Derivatif Pengertian
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. 4.1 Distribusi probabilitas banyaknya pelanggan dalam sistem antrian
BAB IV HASIL DAN PEMBAHASAN 4.1 Distribusi probabilitas banyaknya pelanggan dalam sistem antrian M/M/1/K Pada model antrian, kedatangan pelanggan dalam sistem antrian dan kepergian pelanggan yang telah
Lebih terperinciSOAL DAN PEMBAHASAN SELEKSI MASUK UNIVERSITAS INDONESIA
SOAL DAN PEMBAHASAN SELEKSI MASUK UNIVERSITAS INDONESIA m SOAL DAN PEMBAHASAN.c o SELEKSI MASUK UNIVERSITAS INDONESIA SIMAK UI 331 KEMAMPUAN DASAR Matematika Dasar FReS-TA Universitas Indonesia 2013 SIMAK
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini dilakukan menggunakan metode semi numerik dimana koefisen transmisi didapatkan dengan menyelesaikan persamaan Schrodinger menggunakan MMT karena metode ini dalam
Lebih terperinciSOLUSI SISTEM PERSAMAAN LINEAR
SOLUSI SISTEM PERSAMAAN LINEAR Bentuk umum persamaan linear dengan n peubah diberikan sebagai berikut : a1 x1 + a2 x2 +... + an xn = b ; a 1, a 2,..., a n R merupakan koefisien dari persamaaan dan x 1,
Lebih terperinciPENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT. Chairunisah
PENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT Chairunisah denisa0105@yahoo.com Abstrak Banyak permasalahan yang dapat dimodelkan dengan menggunakan program matematika yang bertujuan
Lebih terperinciHUBUNGAN ANTARA DIFFERENSIAL DAN INTEGRAL
HUBUNGAN ANTARA DIFFERENSIAL DAN INTEGRAL Dra.Sri Rejeki Dwi Putranti, M.Kes. Fakultas Teknik - Universitaas Yos Soedarso Surabaya Email : riccayusticia@gmail.com Abstrak Hubungan antara Differensial dan
Lebih terperinciI. Sistem Persamaan Diferensial Linier Orde 1 (Review)
I. Sistem Persamaan Diferensial Linier Orde (Review) November 0 () I. Sistem Persamaan Diferensial Linier Orde (Review) November 0 / 6 Teori Umum Bentuk umum sistem persamaan diferensial linier orde satu
Lebih terperinciPersamaan Diferensial
Orde Satu Jurusan Matematika FMIPA-Unud Senin, 18 Desember 2017 Orde Satu Daftar Isi 1 Pendahuluan 2 Orde Satu Apakah Itu? Solusi Pemisahan Variabel Masalah Gerak 3 4 Orde Satu Pendahuluan Dalam subbab
Lebih terperinci5. PERSAMAAN LINIER. 1. Berikut adalah contoh SPL yang terdiri dari 4 persamaan linier dan 3 variabel.
1. Persamaan Linier 5. PERSAMAAN LINIER Persamaan linier adalah suatu persamaan yang variabel-variabelnya berpangkat satu. Disamping persamaan linier ada juga persamaan non linier. Contoh : a) 2x + 3y
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
A39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi dan Daryono Budi Utomo Departemen Matematika, Fakultas Matematka dan Ilmu Pengetahuan Alam, Institut Teknologi
Lebih terperinciHASIL DAN PEMBAHASAN. Model Regresi Logistik Biner untuk data Hasil Pembangkitan
HASIL DAN PEMBAHASAN Model Regresi Logistik Biner untuk data Hasil Pembangkitan Model regresi logistik digunakan untuk menggambarkan hubungan antara peubah respon dan peubah penjelas pada data hasil pembangkitan.
Lebih terperinciBagian 2 Matriks dan Determinan
Bagian Matriks dan Determinan Materi mengenai fungsi, limit, dan kontinuitas akan kita pelajari dalam Bagian Fungsi dan Limit. Pada bagian Fungsi akan mempelajari tentang jenis-jenis fungsi dalam matematika
Lebih terperinci3.7 Further Results and Technical Notes. Yenni Angraini-G
3.7 Further Results and Technical Notes Yenni Angraini-G161150051 Outline Nonlinear Gauss-Seidel Algorithm (NLGSA) Sifat asimtotik dari penduga Penalized Generalized Weighted Least Squares (PGWLS) Mean
Lebih terperinci