PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET
|
|
- Utami Tanudjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERBANDINGAN ESTIMATOR REGRESI NONPARAMETRIK MENGGUNAKAN METODE FOURIER DAN METODE WAVELET Supart urusa Matemata FMIPA UNDIP l. Prof. H. Soearto, S.H, Semarag 575,Y Abstract. Let { } (X be epeet observato ata a follows a moel Y f(x ε I,,,..., wth f s a uow regresso fucto a ε are epeet raom varables wth mea a varace σ. The fucto f coul be estmate by parametrc a oparametrc appro-aches. I oparametrc approach, the fucto f s assume to be a smooth fucto or quaratc tegrable fucto. If f belogs to the Hlbert space L (R the the fucto f coul be estmate by estmator of orthogoal seres, especally by Fourer seres estmator. Aother estmator of orthogoal seres whch coul be use to estmate f s wavelet estmator. Wavelet estmator s a exteto of Fourer seres estmator but t s more effectve tha the Fourer seres estmator because the ts IMSE coverges to zero qucer tha the Fourer seres estmator. Keywors: Noparametrc regresso estmato, Fourer seres estmator, wavelet estmator.. PENDAHULUAN Sebelum embaga wavelet para lmuwa megguaa barsa a trasformas Fourer utu megaalsa elaua fugs gelombag a megaalsa fugs-fugs tersebut. Karea tututa ua terapa atara la pegaalsaa gelombag buy, eletromaget a la-la yag umumya bua gelombag pero seerhaa tetap gelombaggelombag loal sehgga ta muah hampr ega eret Fourer, alaupu bsa, membutuha baya oefse Fourer sehgga ta efetf. Metoe wavelet merupaa suatu metoe yag relatf lebh baru a lebh efetf ar eret Fourer area bass alam wavelet mampu meaga masalah-masalah loal yag ta apat laua oleh Fourer, area bass wavelet tetua oleh leta a salaya. Msala aa seumlah ata pegamata epee {(X },Y a aa car hubuga atara X a Y yag memeuh moel Y f(x ε,,,...,, (. ega f fugs regres yag ta etahu a ε varabel galat raom epee ega mea a vara σ. a betu fugs f etahu maa utu megestmas fugs f guaa peeata parametr, aa tetap a betu fugs f ta etahu maa guaa peeata oparametr. Utu mecar estmator ar fugs f ega peeata oparametr, telah pereala oleh Euba [] estmator Fourer yag merupaa eret ega bass fugs osta, sus, a cosus. Kemua beberapa peelt ([3],[4] serta [6] megembaga estmator eret Fourer mea estmator wavelet yag mempuya bass fugs wavelet. Suatu uura ebaa estmator ar f apat lhat ar tgat esalahaya. Sema ecl tgat esalahaya sema ba estmasya. Salah satu uura esalaha apat lhat ar IMSE (tegral rata-rata esalaha uarat atau MSE (Rata-rata esalaha uarat. Dalam peelta baga ebaa atara estmator regres oparametr megguaa metoe Fourer a metoe wavelet hususya wavelet ler berasara besarya IMSE asmtots. 88
2 Supart (Perbaga Estmator Regres Noparametr Megguaa Metoe Fourer a Metoe Wavelet. METODE PENELITIAN Peelta merupaa aa lteratur yag emua embaga ega smulas megguaa software S Wavelets. Dalam peelta laua perbaga estmator eret Fourer a eret wavelet secara teort maupu secara vsualsas. Secara teort ebaa estmator lhat ar besar eclya lau overges IMSE a secara vsualsas ebaa estmator lhat ar eeata atara fugs estmas a fugs aslya. Sema besar lau overgesya sema ba estmatorya. Secara vsualsas laua smulas paa ata yag bagta ar suatu fugs yag ber error (ose. Dar ata yag telah ber error emua estmas fugsya megguaa peeata eret Fourer a eret wavelet. Hasl estmas fugs selautya baga ega fugs aslya. Sema cepat meeat fugs aslya sema ba estmasya. 3. HASIL DAN PEMBAHASAN Sebelum bahas tetag eret Fourer a eret wavelet perlu elasa terlebh ahulu pegerta L (R. L (R aalah ruag fugs yag uaratya tertegrala, ega ata la L (R {f: f(x x < }. Meurut [7], L (R merupaa ruag Hlbert ega perala salar a orma yag efsa sebaga f < f, g > f(xg(xx a < f, f > f(x x. Dega cara yag sama, L [, ] {f : f(x x < }. Deret Fourer a f L [,], maa f apat eat ega eret Fourer, f(x a ( a cos(x b s(x o (3., ega oefse Fourer [] a / <f,cos(.>,,,,... a b / <f,s(.>,,,3,... Deret Fourer ( apat eat oleh f (x a o ( a cos(x b s(x, (3. ega a / <f,cos(.> f ( x cos( x x,,,...,, b / <f,s(.> f ( x s( x x,,,3,..., utu besar., Deret Wavelet Fugs wavelet pertama al pereala oleh Haar tahu 9. es wavelet beaa mea yatu wavelet u Ψ a wavelet bapa φ yag euaya melahra seluruh eluarga wavelet Ψ, (x (p / Ψ(p x- a φ, (x (p / φ(p x - utu suatu salar p>, a tapa megurag eumuma apat ambl p, sehgga Ψ, (x / Ψ( x- a φ, (x / φ( x. Kemua [] megembaga wavelet Haar mea wavelet Daubeches, wavelet smetrs a coflet. Peeompossa sembarag fugs f L (R e alam bass wavelet ortoormal ([3],[4],[6], c o, f(x φ o, ega o c o, <f,φ o, > R, <f,ψ, > R, Ψ,, (3.3 f(xφ o, (xx a f(xψ o, (xx. Deret wavelet (4 apat eat oleh f (x c o, φ o, o, Ψ,, (3.4 89
3 ural Matemata Vol. 8, No.3, Desember 5: ega c o, <f,φ o, >,, <f,ψ, > a besar. Deret wavelet (5 evale ega f (x φ, ega c, <f,φ, >. c, (3.5 merupaa parameter pemulus a amaa level resolus. Estmator eret Fourer a {(X },Y, ata observas epee mempuya moel (3., X [,], a f fugs regres ta etahu, maa estmator eret Fourer ar f aalah ^ f (x â o ( â cos(x bˆ s(x, ega estmator oefse Fourer: ~ â f,cos(. Y cos(x x, A,,,...,, ~ bˆ f,s(. s(x x, A,,3,...,, A,,,,..., aalah terval salg asg sehgga A [,] a X A. Khususya a X /, maa â Ycos(X x,,,,...,, bˆ Y s(x,,,3,...,. Tgat emulusa estmator eret Fourer fˆ tetua oleh pemlha parameter pemulus. Sema ecl parameter pemulus, sema mulus estmasya a sema besar parameter pemulus, sema urag mulus estmas ar f. Oleh area tu, perlu plh yag optmal. Pemlha optmal asara paa IMSE asmtots mmal ar fˆ. Sfat asmtots estmator eret Fourer Estmator oefse eret Fourer â a bˆ merupaa estmator ta bas [5] ar a a b, sebab E ( â a a E( bˆ b. IMSE ( fˆ E(f fˆ x E (f fˆ x E(( ( a â ((a â (b bˆ (a b ( var( â (var(â var(bˆ var( â,,, a var( (a b 4 σ σ, var( â, σ bˆ,,,,. Selautya a f C [,] maa a f(xcos(xx ( g( ( x g' ( ( x ( f ( cos(xx.! b f(xs(xx ( f ( ( x f ' ( ( x ( f ( s(xx! Paahal cos(xx, (x cos(xx, 4 (x cos(xx, s(xx,. 9
4 Supart (Perbaga Estmator Regres Noparametr Megguaa Metoe Fourer a Metoe Wavelet (x s(xx (x s(xx. a a 6 [f'' ( ], 4 b 4 [f' ( ]. 4 [f' ( ] a 6 (a b ( [f' ( ] 4 A A x, x 4 x x x 3 x x, 3 ( ( o((, utu. a IMSE ( fˆ σ σ σ (, σ ( A A, utu,. optmal aalah la yag memmuma IMSE ( fˆ, yatu harga sehg- IMSE(fˆ ga, a peroleh A A sehgga opt / A A /. Paa opt / apata IMSE opt -/. Estmator wavelet a aa seumpula ata epee {(X },Y, ega m, m blaga bulat postp a mempuya moel (3. a X racaga tt reguler paa ruag [,] ega X /, maa estmator regres wavelet paa level resolus aalah o (x fˆ, ˆ Ψ ( x ĉ φ (x o, o,,, (3.6 ega ĉ o, φ o, (X, ˆ, Ψ, (X atau (x fˆ ĉ φ (x,,,, ega ĉ, φ, (X (3.7 Estmator (3.6 atau (3.7 amaa estmator wavelet ler. Tgat emulusa etmator wavelet tetua oleh level resolus. Sema ecl sema mulus estmasya [6]. Sfat asmtots estmator wavelet ler Estmator oefse wavelet ĉ a ˆ, merupaa estmator ta bas ar c, a, [5]. Teorema 3.. [4] msala f mempuya ervatf yag otyu a terbatas tgat sehgga r x Ψ, a (xx {. K <, a a, p a fˆ estmator regres wavelet paa level ol maa fˆ IMSE ( fˆ E( f x 4 ( o((a p A p, ega A σ, A κ ( (f ( (x x a κ! x Ψ(xx. But. Estmator regres wavelet paa level ol, 9
5 ural Matemata Vol. 8, No.3, Desember 5: aalah fˆ ĉ, φ, ega ĉ, φ, (X a IMSE ( fˆ E(f IMSE fˆ fˆ x E (f fˆ x. ( E ( ĉ, φ, ( c φ, (,ψ, x, E φ ((ĉ, c,, (,, φ x. Karea eortoormala φ a Ψ peroleh ( fˆ f x E ( c, ĉ S S.,, Selautya ĉ, c E(S E ( ( σ, ( φ, (X p σ o( - p, utu, p. Selautya S E(S /.,, a, p f(x φ (p x x p / y f( ψ (yy. p Deret Taylor, setar /p aalah / y, p ψ (y f /p f' /p p! p ( ( y ( f (/p o(y y ( / ( p f ( /p κ, ega κ (x x! ψ. a S p 4 ( / ( p f κ p 4 ( ( ( f κ x, sehgga 4 IMSE ( fˆ ( o ((A p A p, ega A σ, A κ ( (f ( (x x a κ (x x! ψ. Dar teorema atas terlhat bahwa utu, p maa IMSE ( fˆ. Tgat emulusa estmator wavelet ( fˆ tetua oleh parameter pemulus p (a tetap. Nla p ecl membera estmas fugs yag sagat mulus a p besar membera estmas fugs yag urag mulus, sehgga ega memmala IMSE ( fˆ aa apata p yag optmal. Dega rtera memmala IMSE ( fˆ maa peroleh p opt /5 a IMSE opt -4/5. Sebalya a p tetap (p, maa parameter pemulus optmal apat car ega meggat /5, sehgga opt log a IMSE opt 5-4/5. Berasara sfat asmtots ar estmator Fourer a estmator wavelet ler, peroleh IMSE opt utu estmator Fourer -/ a IMSE opt utu estmator wavelet -4/5. Perbaga tgat peurua IMSE opt secara grafs saa paa gambar. Secara vsualsas terlhat bahwa IMSE opt ar estmator wavelet lebh cepat meuu ol ar estmator Fourer. I meuua bahwa estmator wavelet lebh ba ar estmator Fourer. 9
6 Supart (Perbaga Estmator Regres Noparametr Megguaa Metoe Fourer a Metoe Wavelet Gambar. IMSE opt ar estmator Fourer a estmator Cotoh Smulas Dbera suatu ata yag bagta ar sebuah fugs y (s x 3 ε ega ε merupaa suatu ose yag berstrbus N(;, a - < x <. Aa baga fugs asl ega fugs hasl estmas megguaa metoe Fourer a metetoe wavelet. Data olah ega program Swavelets. Haslya sebaga berut: Gambar 3. Estmas regres ega metoe wavelet Keteraga gambar a gambar 3: : agram pecar : fugs asl : fugs estmas Dar hasl smulas, secara vsual apat lhat bahwa paa estmas fugs regres ega metoe Fourer, fugs estmas meeat fugs aslya mula paa level resolus 5, 6 a seterusya, tetap utu estmas fugs regres ega metoe wavelet mula paa level resolus -3, - 4 a seterusya. a secara vsual estmas fugs regres megguaa wavelet lebh cepat meeat fugs aslya ar estmas ega eret Fourer. a alam estmas fugs regres, metoe wavelet lebh efse ar metoe Fourer. Gambar. Estmas regres ega metoe Fourer 4. PENUTUP Deomposs fugs alam wavelet merupaa geeralsa ar eret Fourer. Deret wavelet bagu oleh fugs wavelet ayah a wavelet bu beserta eluargaya, seaga alam eret Fourer bagu oleh fugs osta, sus a cosus. Estmator regres wavelet lebh ba ar estmator eret Fourer area lau 93
7 ural Matemata Vol. 8, No.3, Desember 5: overges IMSE alam estmator wavelet lebh cepat meuu ol ar etmator eret Fourer. 5. DAFTAR PUSTAKA [] Daubeches, I. (99, Te Lectures o Wavelets, Captal Cty Press, Phlaelpa. [] Euba, R.L. (998, Sple Smoothg a Noparametrc Regresso, Marcel Deer.Ic, New Yor. [3] Hall,P. a Patl,P. (995, O Wavelet Methos for Estmatg Smooth Fuctos, Beroull, (/: [4] Hall,P. a Patl,P. (996, O the Choce of Smoothg Parameter, Threshol a Trucato Noparametr Regresso by o-ler Wavelet Methos,.R.Statst.Soc.B, 58(: [5] Supart (999, Estmas Fugs Mulus ega Metoe Wavelet, Tess S-, UGM, Yogyaarta. [6] Oge, R.T. (997, Essetal Wavelets for Statstcal Applcatos a Data Aalyss, Brhauser, Bosto. [7] Vetterl,M. a Kovacevc,. (995, Wavelets a Subba Cog, Pretce Hall PTR, New ersey. 94
Jurnal Sains & Matematika Vol.15 No.4, 2007 ISSN
Supart Sharta Wahyu Putra a Ruu Satoso Pemlha Threshol Optmal... Pemlha Threshol Optmal paa Estmator Regres Wavelet thresholg ega Proseur U Hpotess Multpel Supart Sharta Wahyu Putra a Ruu Satoso 3 3 Sta
Lebih terperinciProsiding SPMIPA. pp , 2006 ISBN : PERKEMBANGAN ESTIMATOR DENSITAS NON PARAMETRIK DAN APLIKASINYA
Prosdg SPMIP. pp. 4-46, 6 ISBN : 979.74.47. PERKEMBNGN ESTIMTOR DENSITS NON PRMETRIK DN PLIKSINY Hasb Yas, Supart Staf PS Statsta, urusa Matemata, FMIP, UNDIP l. Prof. Sudarto, Kampus UNDIP Tembalag, Semarag
Lebih terperinciESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP. Staf Program Studi Statistika Jurusan Matematika FMIPA UNDIP 2
ESTIMASI REGRESI WAVELET THRESHOLDING DENGAN METODE BOOTSTRAP Supart Achmad Mustofa da Agus Rusgyoo 3 3 Staf Program Stud Statsta urusa Matemata FMIPA UNDIP Alum urusa Matemata FMIPA UNDIP l. Prof. H.
Lebih terperinciESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER
Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag
Lebih terperinciEstimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)
Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto
Lebih terperinciPEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata
Lebih terperinciPEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR)
PEMILIHAN PARAMETER THRESHOLD OPTIMAL DALAM ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN PROSEDUR FALSE DISCOVERY RATE (FDR) Supart, Taro da Yo Haryoo Staf urusa Matemata FMIPA UNDIP Alum urusa Matemata
Lebih terperinciPEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI
Pemlha Threshold Optmal (Supart) PEMILIHAN THRESHOLD OPTIMAL PADA ESTIMATOR REGRESI WAVELET THRESHOLDING DENGAN METODE CROSS VALIDASI Supart, Taro, Paula Mela Dw Hapsar 3, Staf Pegaar Program Stud Statsta
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
Estmas Regres No Parametr (Hasb Yas) ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract
Lebih terperinciESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP
ESTIMASI REGRESI NON PARAMETRIK DENGAN METODE WAVELET SHRINKAGE NEURAL NETWORK PADA MODEL RANCANGAN TETAP Hasb Yas Staf Pegaar Program Stud Statsta FMIPA UNDIP Abstract If X s a predctor varable ad Y s
Lebih terperinciKAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT
Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya
Lebih terperinciH dinotasikan dengan B H
Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )
Lebih terperinciANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.
ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa
Lebih terperinciSTATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran
KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua
Lebih terperinciBAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.
BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II
Lebih terperinciHIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1
HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w
Lebih terperinci(Density Estimation by Wavelet Thresholding Method) Suparti, Rukun Santoso dan Yulia Sugiyanti
Suparti Ruu Satoso a Yulia Sugiyati (Desity Estimatio by Wavelet Thresholig Metho) Suparti Ruu Satoso a Yulia Sugiyati Program Stui Statistia urusa Matematia FMIPA Uiversitas Dipoegoro Semarag Abstract
Lebih terperinciIr. Tito Adi Dewanto
Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug
Lebih terperinci(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK
PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas
Lebih terperinciBAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)
BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciadalah nilai-nilai yang mungkin diambil oleh parameter jika H
Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu
Lebih terperinciBukti Teorema Sisa China dengan Menggunakan Ideal Maksimal
Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data
Lebih terperinciJMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.
JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu
Lebih terperinciInterpretasi Kombinatorial Bilangan Euler. Rektor Sianturi 1. Abstrak
Retor Satur, Iterpretas Kombatoral Blaga Iterpretas Kombatoral Blaga Euler Retor Satur 1 bstra Kombatoral blaga Euler alah suatu proses yag meghtug bayaya alteratf permutas ar hmpua blaga ega umlah geap.
Lebih terperinciMINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI
MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag
Lebih terperinciFunctionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b]
Jural Sas da Matemata Vol (3): 58-63 () Fuctoally Small Rema Sums Fugs Tertegral Hestoc-uford ada [a,b] Solh, Sumato, St Khabbah 3,,3 Program Stud Matemata, FSM UNIP Jl Prof Soedarto, SH Semarag, 575 E-mal:
Lebih terperinciKajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d
Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas
Lebih terperinci8.4 GENERATING FUNCTIONS
8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah
Lebih terperinciLOCALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA RUANG n EUCLIDE
LOLLY SMLL RIMNN SUMS FUNGSI TRINTGRL HNSTOK-UNFOR P RUNG ULI Solh Program Stud Matemata Faultas Sas da Matemata UNIP Jl Prof Soedarto, SH Semarag 575, sol_erf@yahoocom BSTRK I ths aer we study Hestoc-uford
Lebih terperinciEKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM
Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal
Lebih terperinciJEMBATAN PADA GRAF FUZZY INTUITIONISTIC
JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc
Lebih terperinciBAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam
BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya
Lebih terperinciHUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN
HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee
Lebih terperinciPemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion
Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma
Lebih terperinciII. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan
II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa
Lebih terperinciBAB 3 Interpolasi. 1. Beda Hingga
BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada
Lebih terperincidan µ : rata-rata hitung populasi x : rata-rata hitung sampel
Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura
Lebih terperinciREGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan
JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.
Lebih terperincititik tengah kelas ke i k = banyaknya kelas
STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e
Lebih terperinciLOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b]
PROSIING ISBN : 978 979 6353 9 4 LOCALLY AN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-UNFOR PAA [a,b] A-8 Solh, Y Suato, St Khabbah 3,,3 Jurusa Mateata, Faultas Sas da Mateata, Uverstas poegoro
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinci9. SOAL-SOAL STATISTIKA
9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra
Lebih terperinciISSN: X 45 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA. Maria Suci Apriani a, Sri Haryatmi b
ISSN: 088-687X 5 SIFAT ASIMTOTIK ESTIMATOR NADARAYA-WATSON DENGAN KERNEL ORDE TAK HINGGA Mara Suc Ara a, Sr Haryatm b a rogram Stud edda Matemata FKI USD Kamus 3 aga, Yogyaarta 558, marasuc@usdacd b Jurusa
Lebih terperinciMODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111
MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc
Lebih terperinciLEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M
JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.
Lebih terperinciGambar 3.1Single Channel Multiple Phase
BAB III MODEL ANTRIAN PADA PEMBUATAN SIM C. Sigle Chael Multiple Phase Sistem atria sigle chael multiple phase merupaa sistem atria dimaa pelagga yag tiba, dapat memasui sistem dega megatri di tempat yag
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA. Peahulua Dalam bab aka membahas megea teor-teor tetag statstka oparametrk, korelas parsal tau Keall a korelas parsal meurut Ebuh GU a Oeka ICA.. Statstka Noparametrk Istlah oparametrk
Lebih terperinciPERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM
PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka
Lebih terperinciRegresi Kontinum dengan Prapemrosesan Transformasi Wavelet Diskret (Continum Regression with Discrete Wavelet Transformation Preprocessing)
Jural ILMU DASAR Vol 8 No Jul 7 : 3-9 3 Regres Kotum dega Prapemrosesa rasformas Wavelet Dsret (Cotum Regresso th Dscrete Wavelet rasformato Preprocessg) Setaa ) da Kharl Aar Notodputro ) ) Staf Pegaar
Lebih terperinciTAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL. Erma Kusuma Wati 1), Sigit Sugiarto 2), Bustami 2)
TAKSIRAN YANG LEBIH EFISIEN UNTUK PARAMETER PADA DISTRUSI WEIBULL Erma Kusuma Wat, Sgt Sugarto, Bustam emakusumawat7@yahooco Mahasswa Program S Matematka Dose Matematka, Jurusa Matematka Fakultas Matematka
Lebih terperinciPEMBUKTIAN SIFAT RUANG BANACH PADA D(K)
JMP : Volume 4 Nomor 1, Jui 2012, hal. 41-50 PEMBUKTIAN SIFAT RUANG BANACH PADA D(K) Malahayati Program Studi Matematia Faultas Sais da Teologi UIN Sua Kalijaga malahayati_01@yahoo.co.id ABSTRACT. I this
Lebih terperinciANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:
ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X
Lebih terperinciBAB III PERSAMAAN PANAS DIMENSI SATU
BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka
Lebih terperinciBAB II LANDASAN TEORI. gamma, fungsi likelihood, dan uji rasio likelihood. Misalkan dilakukan percobaan acak dengan ruang sampel C.
BAB II LANDASAN TEORI Pada bab ii aa dibahas teori teori yag meduug metode upper level set sca statistics, atara lai peubah aca, distribusi gamma, fugsi gamma, fugsi lielihood, da uji rasio lielihood.
Lebih terperinciANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS
ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud
Lebih terperinciAnalisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)
Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number
Lebih terperinciMetode Numerik Stepest Descent Dengan Arah Pencarian Negatif Sigma Gradien
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 6 Metoe Numer Stepest Descet Dega Arah Pecara Negatf Sgma Grae Rumoo Bu Utomo Uverstas Muhammayah Tagerag rumoo.bu.u@mal.ugm.ac. Abstra Peelta
Lebih terperinciBab II Teori Pendukung
Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak
Lebih terperinciProsiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016
Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag
Lebih terperinciANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)
ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP
Lebih terperinciEstimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model
Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC
Lebih terperinciSIFAT-SIFAT LANJUT FUNGSI TERBATAS
Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas
Lebih terperinciPENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL
PENYELESAIAN PERSAMAAN DIFERENSIAL LANE-EMDEN MENGGUNAKAN METODE TRANSFORMASI DIFERENSIAL Ahma Sya roi, M Natsir, Eag Lily E-mail: Arolativa@yahoocom Mahasiswa Program S Matematia Dose Jurusa Matematia
Lebih terperinciMATEMATIKA INTEGRAL RIEMANN
MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk
Lebih terperinciSTATISTIKA ELEMENTER
STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala
Lebih terperinciSIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)
SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee
Lebih terperinciMateri Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat
Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud
Lebih terperinciAplikasi Sistem Orthonormal Di Ruang Hilbert Pada Deret Fourier
Apliasi Sistem Orthoormal Di Ruag Hilbert Pada Deret Fourier A 7 Fitriaa Yuli S. FMIPA UNY Abstra Ruag hilbert aa dibahas pada papper ii. Apliasi system orthoormal aa diaji da aa diapliasia pada ruahg
Lebih terperinciRuang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA
Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka
Lebih terperinciSTATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:
STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu
Lebih terperinciANALISA IMAGE SIDIK JARI DIGITAL MENGGUNAKAN METODE WAVELET PAKET Oleh: Suparti Staf Pengajar Jurusan Matematika, FMIPA, Undip
ANALISA IMAGE SIDIK JARI DIGITAL MENGGUNAKAN METODE WAVELET PAKET Oleh: Suparti Staf Pengajar Jurusan Matematika, FMIPA, Undip Abstrak Dalam proses pengiriman image seringkali mengalami noise (gangguan)
Lebih terperinciMACAM-MACAM TEKNIK MEMBILANG
0 MACAM-MACAM TEKNIK MEMBILANG ATURAN PERKALIAN Beriut ii diberia sebuah dalil tetag peetua baya susua yag palig sederhaa dalam suatu permasalaha yag beraita dega peluag. Dalil 2.1: ATURAN PERKALIAN SECARA
Lebih terperinciANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD
Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD
Lebih terperinciBAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah
Lebih terperinciII. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema
II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu
Lebih terperinciPelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur
Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da
Lebih terperinciBAB III ISI. x 2. 2πσ
BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)
Lebih terperinciBAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai
BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON
Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus
Lebih terperinciBAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.
BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah
Lebih terperinciMETODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k
Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR
Lebih terperinciBAB I PANDAHULUAN. 1.1 Latar Belakang
BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,
Lebih terperinciBAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode
BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega
Lebih terperinciTAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR
Lebih terperinciSTATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis
STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma
Lebih terperinciANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL
Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka
Lebih terperinciRegresi Linier Sederhana Definisi Pengaruh
Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu
Lebih terperinciRangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data
Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga
Lebih terperinci