BAB 2 TINJAUAN PUSTAKA

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 TINJAUAN PUSTAKA"

Transkripsi

1 A IJAUA PUSAA Pada bab aka duraka egea dasar teor ag dguaka dala pegerjaa tugas akhr. eor ag dbahas atara la egea pegeala obek, Prcpal Copoet Aalss (PCA), Lear Dscrat Aalss (LDA), Subclass Dscrat Aalss (SDA), serta tekk Stabl Crtero.. Pegeala Obek Pegeala obek erupaka suatu proses pedeteksa da klasfkas suatu obek, ag sebelua telah dpelajar oleh sste. Pegeala obek dlakuka dega ebadgka cr obek ag daat dega pegetahua ag sebelua telah dlk tetag obek-obek ag ada. Pegeala ctra obek tdak berbeda dega pegeala ctra wajah atau pegeala ctra ag la. ap ctra obek past elk perbedaa. Hal tersebut bsa saja karea adaa perbedaa testas cahaa ataupu perbedaa sudut pegabla gabar. Ctra dega berbaga sudut padag ag berbeda aka dkeal da dkupulka utuk ewakl obek tersebut. Ekstraks cr dlakuka pada kupula tersebut utuk edapatka foras cr suatu obek. Hasl ekstraks cr keuda dguaka utuk proses pegeala ctra obek. Cr dar suatu ctra adalah tgkat keabua (gre-leel) dar tap pksel pada ctra. Pada suatu sste pegeala, ag dlakuka terlebh dahulu adalah ebetuk data pelatha. Setelah data pelatha terbetuk, pegeala dlakuka dega cara ebadgka data asuka / data uj coba (berupa ctra obek) dega ctra pada data pelatha ag telah dbetuk sebelua. 7

2 8.. Represetas Ctra Obek Sebuah ctra dapat dpadag sebaga sebuah ektor. Sebuah ctra dega lebar w da tgg h aka ebetuk ektor ag epua kopoe sebaak w h. Vektor dsusu dega elakuka peggabuga terhadap bars ctra ag dsusu berdapga satu saa la, sepert ag terlhat pada Gabar.. Gabar. Pebetuka Vektor Ctra dar Sebuah Ctra Obek Vektor ctra obek ag telah ddeskrpska sebelua erupaka baga dar sebuah ruag. Ruag adalah sebuah ruag lgkup ctra (age space), atu ruag dar seua ctra keseluruha ag epua des w h pksel. edeskrpska suatu ctra obek dala sebuah ruag ctra peuh (spasal) tdak aka optal jka dguaka utuk egeal obek tga des. etuk represetas ctra acua ag dguaka adalah represetas ruag ege. Ide dasar dar represetas adalah erepresetas sekupula ctra atau cr suatu ctra dala sebuah ruag trasforas daa setap cr tdak berkorelas. etuk represetas ruag ege dapat dperoleh dega elakuka Prcpal Copoet Aalss (PCA) terhadap sekupula ctra acua. Hasl trasforas adalah ektor bass ortooral ag dguaka utuk ebetuk suatu sub ruag ektor ag dsebut ruag cr. Vektor ctra acua dtrasforaska egguaka trasforas arhue-loee atau Prcpal Copoet Aalss (PCA), ag aka eghaslka sejulah ektor bass

3 9 ortooral. Vektor bass ortooral dguaka utuk ebetuk ruag cr bag obek ag aka dkeal. Pegekstraka cr suatu ctra dlakuka dega eetaka ctra asuka ke dala ruag cr ag telah dhaslka... Feature Etracto (Ekstraks Cr) Pola erupaka suatu ettas terdefs da dapat ddetfkas elalu cr-cra (feature). Cr-cr tersebut dguaka utuk ebedaka suatu pola. Sehgga, cr ag bagus adalah cr ag elk daa pebeda ag tgg, sehgga pegelopoka pola berdasarka cr ag dlk dapat dlakuka dega keakurata ag tgg. Sebaga cotoh, apabla polaa adalah peakt, aka cr ag dguaka adalah uur pase, jes kela, suhu tubuh, da tekaa darah. Apabla polaa adalah sebuah ctra, aka cr ag dapat dguaka adalah tgkat keabua (gre-leel) dar tap pksel pada ctra. etka erepresetaska data, utuk egkatka perfora klasfkas dapat dlakuka dega cara eabahka cr (des). au pada prakteka, baaka cr tersebut tdak seuaa bergua dala eggabarka karakterstk data. Seak baak cr ag dukur, aka aka seak kopleks. Hal tersebut egakbatka perlua reduks des. erdapat dua cara dala reduks des, atu feature selecto (seleks cr) da feature etracto (ekstraks cr). Seleks cr egacu pada algorta ag elh subset cr terbak utuk erepresetaska data. Sedagka ekstraks cr eetuka ruag cr berdes dar ruag cr berdes p ag asl, daa < p, dega trasforas ler ataupu trasforas o ler berdasarka krtera ag dtetuka sebelua. etode ekstraks cr baak berkebag, dega tujua utuk eperoleh hasl ag optal. etode ekstraks cr ag ejad acua pada pegerjaa tugas akhr adalah etode Prcpal Copoet Aalss (PCA) da Lear

4 0 Dscrat Aalss (LDA). edua etode tersebut aka djelaska pada sub bab berkuta.. etode Prcpal Copoet Aalss (PCA) Pada tahu 933, Hotellg egajuka sebuah tekk utuk egurag des sebuah ruag ag drepresetaska oleh arabel statstk,,,, daa arabel tersebut basaa salg berkorelas atara satu dega ag la. Pertaaa keuda tbul, apakah terdapat sebuah hpua arabel baru ag elk sfat ag relatf saa dega arabel sebelua, daa dkehedak hpua arabel baru tersebut elk julah arabel (des) ag lebh sedkt dar arabel sebelua. Selajuta Hotellg eebut etode tersebut sebaga Prcpal Copoet Aalss (PCA) atau kadag juga rasforas Hotellg da rasforas arhue Loee. rasforas PCA baak dguaka utuk eproekska atau egubah suatu kupula data berukura besar ejad betuk represetas data la dega ukura ag lebh kecl. rasforas PCA terhadap sebuah ruag data ag besar aka eghaslka sejulah ektor bass ortooral ke dala betuk kupula ektor ege dar suatu atrks koara tertetu, ag dapat secara optal erepresetaska dstrbus data. rasforas PCA bekerja dega lagkah-lagkah sebaga berkut:. ebetuk atrks data pelatha Y dega oretas ektor kolo. Hpua dar ctra pelatha, [,,..., ] dega des tap ctra adalah (bars kolo).

5 Y L j adalah la testas dar pksel pada ctra pelatha ke- da deks des ke-j.. ejadka ektor kolo pada atrks Y ejad ektor satua. Y L Sehgga atrks Y dapat dataka dega: Y L 3. eghtug rata rata total dar hpua ctra pelatha. ag Y

6 4. eghtug atrks A ag erupaka selsh atara Y dega Y ag. A Y Y ag 5. eghtug atrks koara dar A atu AA (berordo ). Jka julah data pelatha lebh kecl dar des ctra, aka atrks koara dhtug dega A A (berordo ). 6. eghtug la ege da ektor ege dar atrks koara. area atrks A berukura besar, aka dguaka etode Sgular Value Decoposto (SVD). etode SVD edekoposs atrks asal A ejad perkala dar tga kopoe atrks: A USV Daa : A : atrks asal dega ordo. U : atrks orthooral dega ordo. V : atrks orthooral dega. S : atrks dega elee tdak ol pada dagoal utaa berordo. 7. egurutka ektor ege berdasarka la ege ag terbesar..3 etode Fsher Lear Dscrat Aalss (FLDA) Sebelu ebahas peerapa etode Fsher Lear Dscrat Aalss (FLDA) pada pegeala pola, aka djelaska egea etode pegeala pola dega pedekata statstk (Statstcal Patter Recogto) da kataa dega fugs dskras ler (Lear Dscrat Fuctos) secara rgkas.

7 3.3. etode Pegeala Pola dega Pedekata Statstk tk berat pada pegebaga etode pegeala pola dega pedekata statstk terletak pada pegebaga strateg klasfkas atau pegabla keputusa (decso or classfcato strateges) ag aka ejad dasar pebetuka racaga pegklasfkas (classfer). Atura-atura ag terlbat pada pegebaga strateg klasfkas atau pegabla keputusa tersebut elput: oers dar peluag pror suatu kelas P(w ) (pror class probablt) ejad peluag posteror P(w ) (easureet-codtoed probablt). eruuska ukura dar ekspektas terhadap galat klasfkas atau suatu fugs rsko da selajuta elh atura ag dapat euka ukura tersebut. edua atura tersebut berpera dala pebetuka parts dar ruag berdes tgg R d da dpleetaska elalu suatu fugs dskras. oers dar peluag pror suatu kelas ejad peluag posteror dapat dselesaka dega egguaka teorea aes pada persaaa (.). P ( w ) ( w ) P( w ) p( ) p (.) c dega: p ( ) p( w ) P( w ) Daa: P p P p (.) ( w ) : ( w ): ( w ) : pror ( ) : edece posteror lkelhood probablt probablt

8 4 P ( w ) eorea aes dapat dtulska dega: ( w ) P( w ) p( ) p lkelhood pror posteror edece Dega egguaka asus probablt dest fucto-a adalah ultrate Gaussa, aka dapat dtulska sepert persaaa (.3). p ( ) Daa: ( π ) ep d / / : ektor kolo berdes d. µ : ektor ea berdes d. Σ : atrks koara, d d. t ( µ ) ( µ ) (.3) Fugs dskra ag aksal aka ecapa errorrate ag u. Sehgga dapat dataka dega: g( ) P( w ), dega kata la: eaksalka fugs dskra saa dega eaksalka posteror probablt. g ( ) p( w ) p( w ) p( w ) p( ) g ( ) p( w ) p( w ) g ( ) l p( w ) l p( w ) Jka dasuska odel dstrbusa adalah Dstrbus Gaussa dega atrks koara da pror probablt ag saa utuk tap kelas, aka fugs dskraa dtulska sepert pada persaaa (.4) g '( ) ( µ ) Σ ( µ ) l(π ) l Σ (.4)

9 5 Suku kedua da ketga dar persaaa (.4) erupaka kostata bas ag class-depedet, sehgga dapat delas. area atrks koara bersfat setrs, aka: g g ( ) ( µ ) ( ) w w 0 µ dega: ( ) 0 µ w µ da w µ µ..3. Fsher Lear Dscrat Aalss (FLDA) Pedekata Fsher (Fsher. R.A, he Use of ultple easureets aooc Probles, 936) dlakuka dega elakuka proeks terhadap data berdes-d pada suatu gars. ujua pegguaa proeks gars tersebut agar pesaha atar kelas ejad lebh bak (well separated), sehgga dapat egkatka keapua pedskrasaa (good dscrato ablt). Utuk ejelaska etode Fsher, dsalka sebaga berkut: erdapat pola dega dua kelas (c ) erdapat hpua data pelatha H dega H,,, H H, pada subset H ag { } { }, terdapat d kelas ω, da pada subset H ag terdapat d kelas ω, serta. Sehgga proeks ektor cr dapat dataka dala persaaa (.5)., <, >,, (.5)

10 6 Persoala selajuta adalah eetuka arah dar berdasarka H, sedeka sehgga dar H (Y ) da dar H (Y ) berada pada klaster ag berbeda sepajag gars proeks. Ukura pesaha dar hasl proeks dapat dtetuka dega beda (dfferece) datara ea dar hasl proeks tersebut. Cotoh ukura tersebut adalah µ, dega: Y µ Y µ Y E{ } E{ } Jka dketahu ea dar data saple utuk H, H dataka dega persaaa (.6). H aka ea dar hasl proeks dapat dataka sebaga berkut: Y H (.6) Sedagka beda datara hasl proeks dapat dataka berdasarka data sapel dega persaaa (.7). ( ) (.7) Utuk eperoleh klasfkas ag bak, sela egguaka foras beda datara ea dar hasl proeks, harus dpertbagka juga aras dar pada Y relatf

11 7 terhadap tap la ea. Sehgga ukura pesaha kelas dapat dataka sebaga raso atara (beda la ea) / (aras data tap kelas) ( ) ( ) J, dega σ σ scatter pada tap kelas (wth-class) dar data proeks. σ eataka ukura Sela egguaka aras, dapat dega edefska ukura scatter pada tap kelas (wth-class) dar data proeks, sepert persaaa (.8) berkut : ( ) S (.8) J Y erdapat defs ketetua Fsher, persaaa (.9): ( ) ( ) (.9) S S Utuk eelesaka persaaa (.9), aka ddefska: - atrks Scatter S S H S w S S - ( )( ),,, da Sehgga dapat dtulska: pejabara sebaga berkut: S S S, dega W

12 8 ( ) ( ) ( )( ) S S H H Y Sedagka ( ) dapat dataka dega: ( ) S. Pejabaraa adalah sebaga berkut: ( ) ( ) ( )( ) S, dega S adalah atrks scatter atar kelas (betwee-class scatter atr). Sehgga persaaa (.9) dapat dtulska sepert persaaa (.0) berkut. ( ) S S J W (.0) Vektor w ag eaksalka ( ) J harus eeuh persaaa : w S w S w λ..4 etrcs of Dscrat Aalss Sebaga besar etode Dscrat Aalss (DA) adalah berdasarka persaaa Fsher-Rao. Sepert ag telah djelaska pada subbab sebelua, atu pada persaaa (.):

13 9 A S (.) S W Daa: A S atrks scatter atar kelas S W atrks scatter dala kelas atrks proeks (ektor ege) etka dstrbus data tap kelas dasuska dega egguaka dstrbus ture Gaussa, aka utuk edapatka ektor dskraa adalah dega egguaka persaaa dekoposs la ege, sepert persaaa (.) berkut : V VΛ (.) Dega erupaka atrks peebara atar subkelas, erupaka atrks koara, V erupaka ektor dskra, da Λ erupaka atrks ag dagoala adalah la ege. etode DA haa dapat daplkaska utuk beberapa aplkas ag terbatas. Hal tersebut karea tap etode DA egguaka asus ag berbeda-beda. etode Lear Dscrat Aalss (LDA) egasuska ektor sapel dar tap kelas dhaslka dar dstrbus oral ultara. Pada etode LDA, atrks scatter C S µ µ µ µ, da atrks scatter atar kelas: ( )( ) C dala kelas: S W ( j µ )( µ j µ ) Daa: C adalah julah kelas, j µ.

14 0 µ adalah ea saple kelas, µ adalah ea keseluruha (terasuk saple dar seua kelas), j adalah saple ke-j d kelas ke-, da julah saple d kelas ke- tersebut. Sedagka etode oparaetrc Dscrat Aalss (DA) egasuska bahwa data d tap kelas dkelopokka ke dala cluster tuggal. etode DA tdak aka bekerja dega bak ketka data d tap kelas dbag ejad dua cluster atau lebh. etode DA egguaka atrks scatter atar kelas dega ers o paraetrk, sebaga berkut: S Daa: C C j l l l j l l ( µ )( µ ) α, j l µ j erupaka ea dar k saple ag terdekat dega l ag terasuk kelas l( l ) da α j erupaka beberapa factor skala ag eghalag hasla dpegaruh oleh sapel tersolas ag terletak jauh dar batas. Alteratf la dega ers berbobot dar LDA adalah etode approate Parwse Accurac Crtero (apac) ataupu Pealzed Dscrat Aalss (PDA), ag egasuska dataa drepresetaska dega cluster tuggal. Pada etode apac ddefska atrks scatter atar kelas ag baru dega ers berbobot, C C atu: S w ( d ) S, j j j j j j

15 Daa: j ( µ µ )( µ ) S µ, j j d j adalah jarak ahalaobs atara kelas da j, da w(.) adalah fugs bobot. Utuk etode Pealzed Dscrat Aalss (PDA), defs atrks scatter dala kelas adalah : S Ω. W au, etode LDA, DA da PDA, tdak dapat eelesaka perasalaha ag kelas-kelasa terpsah secara o ler. Sehgga, solusa adalah dega egguaka etode o ler, sepert Fleble Dscrat Aalss (FDA) da Geeralzed Dscrat Aalss (GDA). FDA berusaha eruuska ulag dega egguaka fugs o ler. Sedagka GDA dega cara egguaka kerel. au terdapat beberapa perasalaha, sehgga eghalag pegguaa etode FDA da GDA, dataraa adalah:. eeuka kerel ag tepat utuk sebaga perasalaha (utuk setap dstrbus data).. Pedekata o ler (sepert FDA) secara uu eerluka julah sapel ag cukup besar agar berhasl dala egguaka algorta tersebut. 3. etode o ler basaa elk baa perhtuga ag tgg. Satu hal ag ejad kekuraga etode DA, da tdak dbahas sebelua adalah kuraga rak A. Sebaga cotoh, rak( S ) C, oleh karea tu LDA, PDA, apac, da etode DA ag la, haa dapat egekstrak C cr dar ruag cr asl. au pada prakteka, data jarag terpsah secara ler, da C cr dperoleh buka erupaka ag

16 optal. Hal tersebut elatarbelakag pedefsa etrk baru ag dapat dguaka utuk egekstrak lebh dar C cr. eberapa kekuraga-kekuraga etode DA ag telah djelaska secara sgkat sebelua, erupaka hal ag ejad dasar adaa etode SDA..5 etode Subclass Dscrat Aalss (SDA) etode Subclass Dscrat Aalss (SDA) erupaka salah satu pegebaga dar etode Dscrat Aalss. egacu pada beberapa kekuraga-kekuraga ag dlk oleh etode-etode DA sebelua, SDA dperkealka dega tujua agar dapat eesuaka terhadap sebaga besar tpe dstrbus data. Hal tersebut dapat dlakuka dega cara egasuska tpe dstrbus data tap kelasa dega ture of Gaussa. Gaussa ture cukup fleksbel ketka eggabarka beberapa dstrbus data ag baak dteu pada aplkas ata. Sehgga solusa adalah dega eetuka seberapa baak ture Gaussa-a, atau dega kata la seberapa baak julah subkelasa d tap kelas. Pada subbab sebelua telah djelaska secara sgkat egea kekuraga-kekuraga dar beberapa etode Dscrat Aalss (DA). Dataraa adalah kuraga la rak A. Cotoha, rak( S ) C, aka pada LDA, PDA, apac, da etode DA ag la, haa dapat egekstrak C - cr dar ruag cr asl. C cr belu tetu bsa dguaka utuk ebedaka sebaak C kelas. Pada prakteka, jarag sekal terdapat data ag terpsah secara ler da C cr ag dperoleh bukalah ag optal. area perasalaha tersebut, aka ddefska atrks baru sebaga alteratf agar dapat dguaka utuk egekstrak lebh dar C cr, atu dega edefska atrks A ag epertbagka perbedaa ea atar kelas da koaraa. Heteroscedastc LDA (HLDA) erupaka suatu etode ag

17 3 egguaka jarak Cheroff utuk eperkraka kerpa kelas ag berdasarka pada ea da koara. Pada HLDA, ddefska atrks A sebaga berkut: S C C C j j ( µ µ )( µ µ ) 4 log j j log j j log Daa adalah atrks koara dar saple d kelas, j adalah rata-rata atara da j da dasuska dega pror ag saa. etode dapat dguaka utuk edapatka ruag sub berdes dua ag kelas-kelasa terpsah secara ler. erdasarka etode HLDA tersebut, ketka etode SDA ebag data d tap kelas ejad beberapa subkelas, aka ddefska atrks scatter baru ag rak a dapat lebh dar C cr. Sehgga berdasarka defs tradsoal atrks scatter pada LDA, ddefska atrks scatter atar subkelas sepert ag tertuls pada persaaa (.3) berkut : C H j ( µ )( µ ) ˆ p µ µ (.3) j j Daa H adalah julah pebaga subkelas d kelas, p da µ erupaka pror da ea subkelas ke-j d kelas. j j Sepert pada LDA, persaaa (.3) d atas ecoba utuk eaksalka jarak atar ea kelas da jarak atar ea subkelas d kelas ag saa. atrks koara dar ea subkelas ˆ, dapat C ddekoposs ejad ˆ S Q, dega Q Q, j j

18 4 da Q erupaka jarak atar ea subkelas d kelas ag saa, H j Q ( µ )( ) j j µ µ j µ, dega j adalah julah sapel d subkelas ke-j d kelas. ˆ Pebukta defs d atas adalah sebaga berkut: S Q C C H j ( µ )( ) µ µ µ ( µ j µ )( µ j µ ) j C C H j ( µ µ )( µ µ ) ( µ j µ )( µ j µ ) j C C H j ( µ µ )( µ µ ) ( µ j µ )( µ j µ ) j Persaaa d atas dapat dguaka pada persaaa dekoposs la ege utuk edapatka ektor ag eaksalka jarak atar ea kelas da jarak atar ea subkelas d kelas ag saa. Persaaa tersebut aka bekerja dega bak ketka pebaga subkelasa optal. aka ddefska baru, persaaa (.4), ag egukur peebara subkelas-subkelas d kelas ag berbeda, da juga egukur peebara dala subkelas. C H C H k j k l j kl ( µ )( µ ) p p µ µ (.4) j kl j kl

19 5 j Daa pj erupaka pror dar subkelas ke-j d kelas, dega j adalah julah sapel subkelas ke-j d kelas, da adalah julah sapel keseluruha..5. Pebaga Subkelas ag Optal Pada algorta Subclass Dscrat Aalss (SDA), sapel d tap kelas dbag ejad beberapa subkelas. Julah data d tap subkelas dusahaka saa rata. Algorta ag dguaka utuk ebag tap kelas ejad beberapa subkelas adalah algorta -Clusterg. Setelah data d tap kelas dbag ejad beberapa subkelas, agar persaaa (.4) eberka hasl ag optal, dtetuka julah subkelas ag optal dega cara stablt crtero..5.. ebag Data d ap elas ejad Subkelas erdasarka Algorta -Clusterg ebag data d tap kelas ejad beberapa subkelas dlakuka dega etode pegelopoka ag berdasarka algorta -Clusterg. etode pegelopoka dharapka dapat bekerja dega bak ketka julah sapela besar ataupu kecl. Sebelu ebag tap kelas ejad beberapa subkelas, ag dlakuka pertaa kal adalah egurutka sapel-sapel d kelas. sala, sapel ag telah terurut d kelas adalah {,, 3,..., }. aka da adalah dua sapel d ag elk jarak palg jauh, atu dega ecar persaaa arga jk j - k. Da, erupaka ektor ag palg dekat dega, da - erupaka ektor ag palg dekat dega. Setelah egurutka data d tap kelas, lagkah selajuta adalah ebag tap kelas ejad H subkelas. ebag tap kelas ejad H subkelas dlakuka dega julah

20 6 sapel tap subkelas ag saa rata. sala, tap kelas aka dbag ejad (dua) subkelas. aka kupula tersebut aka ejad {..., [ / ] } da { [ ], /..., }., Gabar. berkut erupaka rgkasa dar etode pegelopoka berdasarka algorta -Clusterg. Algorta Clusterg for to C do sal ˆ { ˆ,..., ˆ } ejad saple d kelas. ebuat atrks D {d j } daa d j adalah jarak Eucldea atara saple da j, dega kata la d ˆ ˆ. jk j k ˆ ˆ daa [ ] jk sal s da b s, b arga j, k d for g to / do g ˆ, daa arg j s dsj. d s g ˆ k daa k arg j b dbj. d bj ed for ebag kupula hasl ag telah durutka { ˆ,..., ˆ } ejad subkelas H. Saat elakukaa, dusahaka agar julah saple d setap subkelas saa. ed for utuk ketka od( / ) 0, ds aka ada saple ag dtggalka utuk durutka. I aka dega jelas sesua dega, /. Gabar. Algorta Clusterg

21 7.5.. Stablt Crtero ujua utaa persaaa Fsher Rao, (.) adalah eaksalka da euka. etka ektor ege ke- dar da ektor ege ke-j dar saa, aka hasl ag dperoleh ketka egguaka persaaa (.) aka tergatug pada raso atara la ege dar da. Sehgga tdak ada cara utuk egetahu plha aa ag terbak utuk klasfkas, apakah ektor ege dar atau ektor ege dar. sal, u j erupaka ektor ege dar da w erupaka ektor ege dar. area ektor ege pertaa dar da saa (u j w ), aka ketka egguaka persaaa (.) utuk ereduks des, ektor ege dar ag arasa besar da ektor ege dar ag arasa kecl tdak dapat dplh. Pada beberapa kasus, persaaa (.) bsa eberka hasl ag bear. au, utuk beberapa kasus la, persaaa (.) bsa eberka hasl ag salah. Hal tersebut eber kespula bahwa pegguaa persaaa (.) bersfat tdak stabl. Ideala, ketka egguaka persaaa (.), dharapka persaaa tersebut bsa eberka hasl ag tepat. etka la ege dar ektor u j lebh kecl dar la ege dar ektor w, hasl ag dperoleh dar persaaa (.) aka optal berdasarka dega aes. etka la ege dar ektor u j lebh besar dar la ege dar ektor w, aka hasl ag dperoleh dar persaaa (.) tdak eja dapat ejad optal, karea tdak dapat eaksalka da euka secara sulta.

22 8 Perasalaha tersebut dapat dega udah dketahu karea ketka hal tersebut terjad, sudut atara ektor ege pertaa dar da adalah edekat ol (kecl). Sehgga dapat dhtug dega persaaa (.5) berkut : ( ) u w j (.5) j <, dega la ag sekecl ugk. eadaa deal ag dgka adalah satu atrks dapat daksalka, da satu atrks laa dapat dalka. Utuk ecapa keadaa deal tersebut, dguaka etode ag ebag tap kelas ejad sejulah subkelas ag optal, ag dapat ealka persaaa (.5). Daa rak( ) Utuk egguaka stablt crtero secara efse, aka dperluka utuk eghtug la dar persaaa (.5) utuk setap la H ag ugk, da keuda elh la ag palg kecl. Dega kata la adalah eghtug persaaa (.6) berkut : ( ) u j wh, j (.6) H Daa j w, adalah ektor ege ke- dar H ketka dataa dbag dega H subkelas. euda eetuka julah subkelas ag optal, ag dapat ealka persaaa (.6). la H tergatug la. Seak besar la, aka seak besar pula la H. Lagkah selajuta adalah eetuka julah subkelas ag optal, ag ealka la dar persaaa (.6), dega persaaa (.7) berkut : H arg (.7) 0 H H

23 9 Gabar.3 berkut erupaka rgkasa tekk stablt crtero. Algorta SDA stablt egurutka trag saple egguaka class clusterg. eghtug U UΛ eghtug for H C to l C do eghtug W WΛ eperhtugka eghtug H egguaka persaaa: ( ) u j w H, j ed for H 0 arg eghttug j H H dega H H 0. atrks proeks akhr pertaa dar V, daa la l dtetapka sedr. * V q dberka oleh kolo q V VΛ. Gabar.3 Algorta Stablt Crtero

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema II. LANDASAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teorea-teorea ag edukug utuk pebahasa pada bab IV. Pegerta (defs) da teorea tersebut dtulska sebaga berkut... Teorea Proeks Teorea proeks

Lebih terperinci

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil

TINJAUAN PUSTAKA Konsep Dasar Pendugaan Area Kecil 4 INJAUAN PUSAKA Kosep Dasar Pedugaa Area Kec Secara uu etode pedugaa area kec dbag ejad dua baga atu etode peduga agsug (drect estato da etode peduga tak agsug (drect estato. etode-etode pedugaa seaa

Lebih terperinci

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS Sear Nasoal Mateatka IV (SeNasMat) Isttut Tekolog Sepuluh Nopeber, Surabaya, 3 Deseber NLISIS MSLH GENERTOR DRI POSSIBLE DN UNIVERSL EIGENVECTOR PD MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar, Suboo,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

METODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEMILIHAN DISTRO LINUX

METODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEMILIHAN DISTRO LINUX ORBITH VOL. 9 NO. JULI 03 : 78 83 ETODE FUZZY AHP DAN FUZZY TOPSIS UNTUK PEILIHAN DISTRO LINUX Oleh : Ahad Sabq Tekk Iforatka Poltekk Purbaya Tegal Jl. Pacakarya No. Talag Tegal 593 Abstrak Pada peelta

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI I PENDAHULUAN Latar Belakag Dala teor ekoo, setap perusahaa dasuska bertujua eperoleh bala yag aksu Ibala yag ddapat bergatug pada strateg yag dabl perusahaa Kuattas erupaka salah satu strateg perusahaa

Lebih terperinci

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. 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 terperinci

BAB III METODE MULTISTAGE CLUSTER SAMPLING. dilakukan melalui dua tahap pengambilan sampel atau lebih (Cochran, 1977:314).

BAB III METODE MULTISTAGE CLUSTER SAMPLING. dilakukan melalui dua tahap pengambilan sampel atau lebih (Cochran, 1977:314). BAB III METODE MULTISTAGE CLUSTER SAMPLIG A. Pedahulua Metode ulttage cluter aplg adalah proe pegabla apel ag dlakuka elalu dua tahap pegabla apel atau lebh (Cochra, 977:34). Pearka apel dega etode ebeara

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ

BAB II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ 5 BAB II TINJAUAN PUSTAKA. Pedahulua Utuk egetahu lebh elas egea u Modfkas Baugarter Weβ Schdler (MBWS) dperluka teor-teor yag edukug. Utuk tu, bab eelaska egea statstk oparaetrk u beda dua rata-rata dega

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

Studi Kinerja Varian Metode Komputasi Momen Legendre Dalam Rekonstruksi Citra

Studi Kinerja Varian Metode Komputasi Momen Legendre Dalam Rekonstruksi Citra Stud Kera Vara etode Koputas oe Legedre Dala Rekostruks Ctra Rull Soelaa ), edaa Aru ), Karla K. Nsa 3) Jurusa Tekk Iforatka, Fakultas Tekolog Iforas Isttut Tekolog Sepuluh Nopeber, Surabaa, 6 ) Eal :

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN 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 terperinci

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin

Pendahuluan. Relasi Antar Variabel. Relasi Antar Variabel. Relasi Antar Variabel 4/6/2015. Oleh : Fauzan Amin 4/6/015 Oleh : Fauza Am Se, 06 Aprl 015 GDL 11 (07.30-10.50) Pedahulua Aalsa regres dguaka utuk mempelajar da megukur hubuga statstk ag terjad atara dua atau lebh varbel. Dalam regres sederhaa dkaj dua

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi

Lebih terperinci

MODEL OPTIMISASI PORTOFOLIO SAHAM DAN DEPOSITO SECARA TERINTEGRASI MENGGUNAKAN MEAN ABSOLUTE DEVIATION

MODEL OPTIMISASI PORTOFOLIO SAHAM DAN DEPOSITO SECARA TERINTEGRASI MENGGUNAKAN MEAN ABSOLUTE DEVIATION MODEL OPIMISASI POROFOLIO SAHAM DAN DEPOSIO SECARA ERINEGRASI MENGGUNAKAN MEAN ABSOLUE DEVIAION Husa Athfal Hdayat 1, De Saepud, Ira Palup 3 1,,3 Progra Stud Ilu Koputas elko Uversty, Badug 1 hshdayat@studets.telkouversty.ac.d,

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-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 terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

Penarikan Contoh Acak Sederhana (Simple Random Sampling) Pearka Cotoh Acak Sederhaa (Smple Radom Samplg) Defs Jka sebuah cotoh berukura dambl dar suatu populas sedemka rupa sehgga setap cotoh berukura ag mugk memlk peluag sama utuk terambl, maka prosedur tu

Lebih terperinci

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB 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 terperinci

PROGRAM LINIEAR DENGAN METODE SIMPLEX

PROGRAM LINIEAR DENGAN METODE SIMPLEX POGAM LINIEA DENGAN METODE SIMPLEX A. TEKNIK PENYELESAIAN Betuk Soal Progra Lear Kedala utaa asalah rogra lear daat eretuk a atau a atau a. Kedala yag eretuk ertdaksaaa daoat duah ead ersaaa seaga erkut

Lebih terperinci

Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 02 (2017), hal

Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 02 (2017), hal Bulet Ilah Mat. Stat. da Terapaya (Baster) Volue 6, No. (17), hal 77 84. PENENTUAN NILAI INTERNAL RATE OF RETURN DENGAN METODE NEWTON-RAPHSON PADA KASUS PENGKREDITAN KENDARAAN BERMOTOR Al A, Nao Nessyaa

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB 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 terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED

MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED Prosdg Sear Nasoal Volue 03, Noor ISSN 443-09 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED Rahat Hdaat, Yula, Marwa Sa 3 Isttut Tekolog Sepuluh Nopeber, Uverstas Cokroaoto Palopo,3 daatath@gal.co

Lebih terperinci

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS 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 terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

BAB 1 ERROR PERHITUNGAN NUMERIK BAB ERROR PERHITUNGAN NUMERIK A. Tujua a. Memaham galat da hampra b. Mampu meghtug galat da hampra c. Mampu membuat program utuk meelesaka perhtuga galat da hampra dega Matlab B. Peragkat da Mater a. Software

Lebih terperinci

Pemanfaatan Teknologi Informasi Dalam Pengendalian Kualitas Produk Kerajinan Bordir menggunakan Peta Kendali Variabel Fuzzy Linguistik

Pemanfaatan Teknologi Informasi Dalam Pengendalian Kualitas Produk Kerajinan Bordir menggunakan Peta Kendali Variabel Fuzzy Linguistik SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 05 Peafaata Tekolog Iforas Dala Pegedala Kualtas Produk Keraa Bordr egguaka Peta Kedal Varabel Fuzzy Lgustk Akk Hdayat Fakultas MIPA, Uverstas

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

BAB 4: PELUANG DAN DISTRIBUSI NORMAL.

BAB 4: PELUANG DAN DISTRIBUSI NORMAL. BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

Penyelesaian Model Transportasi Menggunakan Metode ASM, RDI dan MODI (Studi Kasus : PT. Melayu Bumi Lestari)

Penyelesaian Model Transportasi Menggunakan Metode ASM, RDI dan MODI (Studi Kasus : PT. Melayu Bumi Lestari) Jural Sas Mateatka da Statstka, Vol. 3, No. 2, Jul 2017 ISSN 1693-2390 prt/issn 2407-0939 ole Peyelesaa Model Trasportas Megguaka Metode ASM, RDI da MODI (Stud Kasus : PT. Melayu Bu Lestar) Sr Basrat 1,

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani FMDAM (2) Chartas Fbra Techque for Order Preferece by Smlarty to Ideal Soluto () ddasarka pada kosep dmaa alteratf terplh yag terbak tdak haya memlk jarak terpedek dar solus deal postf, amu juga memlk

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

BahanBelajar Mandiri (BBM) 1

BahanBelajar Mandiri (BBM) 1 BahaBelajar Madr BBM DASAR-DASAR STATISTIKA Mujoo.0 Aalss Data Da Peluag DASAR - DASAR STATISTIKA PENDAHULUAN Dala Baha Belajar Madr BBM pertaa ada aka epelajar dasar-dasar statstka ag ecakup pegerta statstk

Lebih terperinci

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE CADANGAN ROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE Tara Mustka 1, Johaes Kho 2, Azskha 2 1 Mahasswa rogra S1 Mateatka 2 Dose Jurusa Mateatka Fakultas Mateatka da Ilu egetahua Ala

Lebih terperinci

Bab VII Contoh Aplikasi

Bab VII Contoh Aplikasi Bab VII Contoh Aplkas Dala bab n akan dberkan lustras tentang aplkas statstk penguj VVVS dala eontor kestablan atrks korelas pada proses produks dudukan kabel tegangan tngg (flange) d PT PINDAD (Persero).

Lebih terperinci

POLIGON TERBUKA TERIKAT SEMPURNA

POLIGON TERBUKA TERIKAT SEMPURNA MODUL KULIAH ILMU UKUR TANAH POLIGON TERBUKA TERIKAT SEMPURNA Pegerta : peetua azmuth awal da akhr, peetuat kesalaha peutup sudut,koreks sudut, kesalaha lear da koreks lear kearah sumbu X da Y, Peetua

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA 1. Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable)

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS 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 terperinci

Metode Perbaikan ASM pada Masalah Transportasi Tak Seimbang

Metode Perbaikan ASM pada Masalah Transportasi Tak Seimbang SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 27 Metode Perbaka ASM pada Masalah Trasportas Tak Sebag T - 35 Solkh Departee Mateatka FSM Uverstas Dpoegoro sol_erf@yahooco Abstrak Masalah trasportas

Lebih terperinci

METODE ASM PADA MASALAH TRANSPORTASI SEIMBANG

METODE ASM PADA MASALAH TRANSPORTASI SEIMBANG METODE AM PADA MAALAH TRANPORTAI EIMBANG Aru Rya eptaa 1, olkh 2, Luca Ratasar 3 1,2,3 Departee Mateatka, Fakultas as da Mateatka Uverstas Dpoegoro, Jl Prof oedarto, H earag, 5275 Eal: 2 solkh@lveudpacd

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. 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 terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB 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 terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 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 terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang 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 terperinci

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

Lebih terperinci

Penerapan Peta Kendali Demerit dan Diagram Pareto Pada Pengontrolan Kualitas Produksi (Studi Kasus: Produksi Botol Sosro di PT.

Penerapan Peta Kendali Demerit dan Diagram Pareto Pada Pengontrolan Kualitas Produksi (Studi Kasus: Produksi Botol Sosro di PT. Jural EKSPONENSIL Volue 5, Noor, Nopeber 04 ISSN 085-789 Peerapa Peta Kedal Deert da Dagra Pareto Pada Pegotrola Kualtas Produks (Stud Kasus: Produks otol Sosro d PT. X Surabaya) The pplcato of Deert otrol

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI 5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah

Lebih terperinci

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE)

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: ANALISIS REGRESI LINEAR BERGANDA DENGAN SATU VARIABEL BONEKA (DUMMY VARIABLE) Jural Matematka Mur da Terapa Vol. 4 No. esember : 4 - ANALISIS REGRESI LINEAR BERGANA ENGAN SATU VARIABEL BONEKA (UMMY VARIABLE Tat Krsawardha Nur Salam da ew Aggra Program Stud Matematka Uverstas Lambug

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

Forum Statistika dan Komputasi, Oktoberl 2005, p: Vol. 10 No. 2 ISSN :

Forum Statistika dan Komputasi, Oktoberl 2005, p: Vol. 10 No. 2 ISSN : Foru Statstka da Koputas, Oktoerl 005, p: 5 3 Vol 0 No ISSN : 0853-85 PENDUGAAN PRODUKTIVITAS KENTANG DENGAN METODE KEMUNGKINAN MAKSIMUM UNTUK MODEL ACAK Har Wjaato, Kharl Awar Notodputro, Barz Departee

Lebih terperinci

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 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 terperinci

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA

MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Masalah Norm Mmum (Karat) MASALAH NORM MINIMUM PADA RUANG HILBERT DAN APLIKASINYA Karat da Dhorva Urwatul Wutsqa Jurusa Peddka Matematka FMIPA Uverstas Neger Yogakarta Abstract I ths paper, wll be dscussed

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI

KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI KOMBINASI PENAKSIR RASIO UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN KOEFISIEN REGRESI, KOEFISIEN KURTOSIS DAN KOEFISIEN VARIASI Defl Ardh 1, Frdaus, Haposa Srat defl_math@ahoo.com

Lebih terperinci

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG)

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG) Prosdg SPMIPA 177-184 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG) Taro Progra Stud Statstka FMIPA UNDIP Searag Jl Prof Soedarto,

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

Lebih terperinci

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 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 terperinci

ANALISIS AVAILABILITAS SISTEM SERI DENGAN PENDEKATAN ANALISIS MARKOV (STUDI KASUS DI PT X )

ANALISIS AVAILABILITAS SISTEM SERI DENGAN PENDEKATAN ANALISIS MARKOV (STUDI KASUS DI PT X ) ANALII AVAILABILITA ITEM ERI DENGAN PENDEKATAN ANALII MARKOV (TUDI KAU DI PT X ) Add Rzka Agusta, Muhaad jahd Akbar da Haryoo Jurusa tatstka, Fakultas Mateatka da Ilu Pegetahua Ala, Isttut Tekolog epuluh

Lebih terperinci

PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT

PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT 68 Bud: PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PERANCANGAN SISTEM PERENCANAAN DAN PENGENDALIAN PERSEDIAAN PRODUK MULTI PEMASOK DI UD. SAHABAT Dya Seta Bud ), Da Reto Sar Dew ), D Edah

Lebih terperinci

Hubungan antara G dengan T dan P untuk sistem tertutup: Untuk fluida fasa tunggal dalam sistem tertutup tanpa reaksi kimia:

Hubungan antara G dengan T dan P untuk sistem tertutup: Untuk fluida fasa tunggal dalam sistem tertutup tanpa reaksi kimia: BAB 3 Huuga atara G dega T da utuk sste tertutup: d(g) = () d (S) dt (.14) Utuk fluda fasa tuggal dala sste tertutup tapa reaks ka: G T, G T, S Utuk sste teruka fasa tuggal: G = g(, T, 1,,...,,... ) Dferesal

Lebih terperinci

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI 9.1. Dstrbus Kotu Dstrbus memlk sfat kotu dmaa data yag damat berjala secara kesambuga da tdak terputus. Maksudya adalah bahwa data yag damat tersebut tergatug

Lebih terperinci

INTEGRASI NUMERIK MENGGUNAKAN METODE GAUS KUADRATUR DENGAN PENDEKATAN INTERPOLASI HERMIT DAN POLINOMIAL LEGENDRE

INTEGRASI NUMERIK MENGGUNAKAN METODE GAUS KUADRATUR DENGAN PENDEKATAN INTERPOLASI HERMIT DAN POLINOMIAL LEGENDRE INTEGRASI NUMERIK MENGGUNAKAN METODE GAUS KUADRATUR DENGAN PENDEKATAN INTERPOLASI HERMIT DAN POLINOMIAL LEGENDRE Sutrso Robertus Her Jurusa Mateatka FMIPA UNDIP Searag Abstract Gaus Quadrature Forula s

Lebih terperinci