Penentuan Unik Varians dalam Metode Maksimum Likelihood (Analisis Faktor) dengan Metode Gradien. Oleh : Dewi Rachmatin, S.Si., M.Si.

Ukuran: px
Mulai penontonan dengan halaman:

Download "Penentuan Unik Varians dalam Metode Maksimum Likelihood (Analisis Faktor) dengan Metode Gradien. Oleh : Dewi Rachmatin, S.Si., M.Si."

Transkripsi

1 Penentan n Vaans dala etode as Lelhood (Analss ato) dengan etode Gaden Oleh : Dew Rahatn, S.S.,.S. Absta Salah sat etode yang alng banya dgnaan dala analss fato adalah etode as lelhood. Penentan ats n aans (x) yang enan fngs lelhood nt odel analss fato dengan fato bet : X A dala aalah n enggnaan etode gaden, dana X (x) adalah eto aa yang teaat yang enya ean (x) dengan ats aans oaans (x), (x) adalah ats fato, o( ) dan A (x) adalah ats fato loadng. ats aans oaans tesebt daat dnyataan sebaga : = A A +, dana adalah ats n aans (x). Dala aalah n etode gaden tesebt dteaan ada sebah data esehatan lt dan ahang nt endaatan ats n aans, edan selantnya daat dtentan ats fato loadng nt odel analss fato dengan fato. Kata n : analss fato, etode as lelhood, dan etode gaden. I. Pendahlan Lawley (940) etaa al enean etode as lelhood dala analss fato eta analss fato eelan landasan statsta yang besfat teots. etode as lelhood ebean ebeatan nt lah fato dala odel analss fato, hal nlah yang ebean elebhan etode as lelhood dbandngan dengan etode lan dala analss fato seet etode oonen taa, etode efatoan sb taa dan etode-etode lannya (Jobson & Johnson). Joesog (967) ebean sbangan sat osed yang eelan etode teatf seaa etode gaden dan etode Newton-Rahson (e, 997). Langah-langah enentan sols o( ) yang n nt AA yang ealen dengan odel otogonal X A, dengan etode gaden dbat etaa al oleh Joesog dan Goldbege (97). Ddng dengan eaan tenolog ote, enentan sols analss fato tesebt daat dengan dah dlaan. Pebentan sols analss fato dengan etode as lelhood la dengan esalan sebaga ats aans oaans olas dan y sebaga eto sael aa yang dabl da olas yang bedstbs noal ltaat. Jlah aabel dsalan, an sael dsalan sebaga N, dan sea ats oaans sael yang ngn. Wshat (98) ebean fngs eadatan (denstas) nt ats oaans sael sebaga bet : ( N) ( N ), N K EXP ( N ) t( ) () dana K adalah onstanta. ngs lelhood da ats oaans sael dlh saa dengan fngs eadatan nt ats oaans sael, sehngga :

2 ( N ), ( N ) N K EXP ( N ) t( ) L () Logata fngs tesebt dsalan sebaga : ln( L(, N ) (3) Gantan esaaan () e dala esaaan (3) deoleh : ln( K ) ( N )[ ln ] ( N )[ ln ] - ( N )[ t( ) ] (4) ngs dbent enggnaan aso lelhood yang ebandngan odel teots yang aan dooan dengan data, dengan odel yang dbandngan yang lebh. nt odel teots () tasan da ats oaans olas adalah ˆ, sedangan nt odel yang dbandngan () tasan ats oaans olas adalah ˆ. ngs lelhood nt eda odel adalah L dan L, sedangan fngs log-lelhood nt edanya adalah dan. Raso lelhood ddefnsan sebaga L L. Koefsen yang ddasaan ada ato lelhood n enyedaan sat haan h-adat nt statst aaah odel teots adalah gabaan yang lenga da ats oaans olas, [ ln( ) ] (5) Sehngga [ ln( L ) ln( L ) ] = [ ] = ( N ) ln t ln t (6) Deaat ebebasan nt saa dengan selsh antaa lah aaete yang dgnaan dala odel yat : ( ) () (), dana () dan () adalah lah aaete yang telbat dala odel dan. Jlah aaete dala odel saa dengan lah aans dan oaans yang bebas dala. Kaena ats set, aa lah oaans bebas saa dengan lah ns ats ada sat ss dagonal yat ( ) ( ). Dengan lah aaete n sols esa daat deoleh sehngga ˆ. (7) Abatnya ˆ I dan t ˆ. (8) Gantan ˆ tasan da ats oaans nt odel teots ada esaaan (7) dan (8) e dala esaaan (6) deoleh : N ˆ t ˆ ( ) ln ln (9) Joesog (967) enyaanan fngs yang bebas da engah an sael sebaga bet : ( N ) sehngga : = ˆ tˆ ln ln (0) asan ats oaans teots dtetaan aga enan fngs n dengan lah aaete bebas yang dgnaan (). ngs n enad dasa tda hanya nt osed as lelhood dala Exloatoy ato Analyss (EA) teta ga dala onfatoy ato Analyss (A). Hanya sols nt EA yang aan dbahas ada aalah n.

3 II. Penentan n Vaans Pada Analss ato salan zz adalah tasan ats oaans teots nt sael, sehngga odel analss fato nt sael daat dnyataan sebaga : ˆ = zz = A A + () dana A adalah tasan ats fato loadng dan adalah tasan ats n aans. Sols besyaat nt A dbean ada eobaan deoleh dengan ebat tnan tehada A saa dengan nol. salan V adalah ats yang olo-olonya eaan eto-eto egen yang otonoal dan Q adalah ats dagonal yang ns-ns dagonalnya eaan nla egen yang besesan dengan eto-eto egen dala V. Kaena ats set, sols daat dnyataan dengan : - - = V Q V. () salan V adalah ats yang eat eto egen yang etaa dan Q adalah ats dagonal yang eat nla egen yang etaa. ats A : A = V ( Q I ) (3) Sols nt deoleh dengan ebat tnan da tehada dbean ats A saa dengan nol, dana = dag( ) dag(aa ). (4) Posed enentan dla dengan enetaan nla awal nt, edan htng ats fato loadng dengan esaaan () dan (3), selantnya htng ats yang ba dengan esaaan (4) dan tentan sols nt ats fato loadng yang ba. Sls n dlang hngga ada ebahan n ada nla da sat sls e sls yang lannya. Posed n onegen dengan labat, osed n behent sebel eonegenan deoleh ada bebeaa ass (e, 997). Oleh aena t osed enentan n tda daat dgnaan. asalah taa selantnya nl eta nla-nla da yang dteasan eat sat ata lebh ns yang negatf. Pada ass - tda ada, sols tda aan deoleh, In denal sebaga ass Heywood (93). nt ass n enaan sols yang lebh efetf sangat delan. Da etode teatf yang daat dgnaan nt enentan sols nt adalah etode gaden dan etode Newton-Rahson (e, 997). etode Newton- Rahson yang dasd banlah etode Newton-Rahson basa, yang enggnaan esaaan fngs dan tnan etaa fngs nt enentan aa esaaan fngs. Aan teta etode gaden yang enggnaan tnan etaa fngs dan tnan eda fngs, yang ebat tnan etaa fngs tehada aabel bebasnya saa dengan nol. etode gaden aan delasan etaa al. salan f adalah fngs da eto x. nan etaa da f tehada x dsalan sebaga eto g, dana ns e- da g adalah g = f x. salan x t adalah eto eobaan e-t, aa eto gaden yang besesaan dengan x t adalah g t. Veto eobaan e-t+ yat x t+ deoleh da : x t+ = x t + g t.. nt easan f, has ostf sebalnya nt enan has negatf. Jlah teas daat dang dengan enggnaan nla tla yang besa. Dengan nla yang besa daat enghaslan ebahan ada nla x yang ebawa ada ennan nla da f selaa teas nt as ata enaan nla f selaa teas nt n. Ja hal n tead, eobaan daat dlang dengan an langah yang lebh el. Kentngannya an langah daat dtentan dengan englang eobaan dengan an langah tetent, dan elh an langah yang ebean hasl yang teba (e, 997). 3

4 etode teatf Newton-Rahson yang dgnaan oleh Joesog (ban etode N-R yang basa) enggnaan ba tnan etaa an tnan eda da fngs f tehada x. nan eda da f tehada asangan ns eto x adalah ns h ada ats H : h f x x. nt eto x t tnan etaa dan edanya adalah g t dan H t, sehngga : xt xt H t g t. (5) nt etode n a tebaan awal aa esaaan x 0 deat dengan aa yang sebenanya ata sols esa esaaan yang da, aa sols yang endeat nla esa aan deoleh. Detenan da ats tnan eda has benla negatf nt ass as dan benla negatf nt ass n (e, 997). nt ebedaan etode N-R n dengan etode N-R yang basa, aa selantnya etode N-R n aan dsebt sebaga etode gaden, oleh aena beasal da etode gaden dana -nya saa dengan H t. nt enghnda nla tasan yang negatf da, ats dtansfoas ln EXP (7). dengan tansfoas : ebaan awal nt,(6), sehngga dbean oleh : dana adalah ns dagonal e- da. Langah etaa dala enentan sols nt ats fato A besyaat ats. nan asal da fngs tehada ns ats A adalah : a ˆ A ˆ ˆ A ˆ I ˆ A (8) dana ˆ ˆ ; A adalah olo e- da ats A. Ja adalah olo e- da a dsaaan dengan nol nt sea ns A deoleh : ˆ I A = 0 (9) Hbngan ˆ dengan - yang dgnaan ada esaaan (8) : ˆ A( I A A) A (0) Pesaaan n dgantan e dala esaaan (9) deoleh : ˆ I A = [ I A( I A A) A ] A = 0 () Oeas alaba eenh : A( I A A) A ata A A( I A A) dan A AI A A () ats A daat dtansfoas seaa otogonal sehngga ats A A eaan ats dagonal bean x, dan ( I A A) Q. Abatnya esaaan () enad : A A Q, (3) Pesaaan n adalah bent nt sols egen dengan nla-nla egen Q dan etoeto egen A. Veto-eto egen n ban eto otonoal. Sols nt ats A dbean oleh esaaan () dan (3). Selan enggnaan sols besyaat nt yang begantng ada ats fato loadng seet yang telah dlaan nt sols altenatf tedahl, enyataan nt fngs deoleh begantng ada dan nla-nla egen da. 4

5 Sehngga tnan da tehada deoleh, edan dgnaan osed etode gaden ata Newton-Rahson. Langah etaa yang dlaan adalah enggantan hasl ada esaaan (3) e dala esaaan (). ˆ V Q I V = [ V Q I V I] (4) Selantnya dgnaan defns bet : Q Q I = 0 ats dagonal yang bean x 0 I V V V ats yang olo-olonya : V eat eto-eto egen bean x dan V bes eto-eto egen bean x (-) Da eda defns daat dtnan bahwa : V Q I V V QI I V. (5) Sehngga da esaaan (4) deoleh : ˆ V Q I I V I V QI V. (6) Da esaaan n dengan enggnaan sfat detenan daat deoleh detenan da ˆ adalah : ˆ. QI sehngga deoleh : ln ln ln ˆ (7) Dengan engalan nes ats ada esaaan (6) dengan ats Da esaaan () : V QI V deoleh : ˆ (8) V QV Gantan esaaan n e dala esaaan (8) aan deoleh : ˆ I V Q QV, Da esaaan d atas dengan oeas alaba deoleh : ˆ t( ) t( Q Q) (9) Kaena Q I I 0 Q = aa : 0 Q I t( ˆ ). (30) Da esaaan () deoleh detenan :. V. Q. V. sehngga : ln ln Q ln ln ln. (3) ngs deoleh dengan enggantan e dala esaaan (0) hasl-hasl yang dbean ada esaaan (7), (30) dan (3) : ln ln ln ln( ) ata dsngat enad : [ ln( )] ( ). (3) nt eeoleh tnan da tehada dan tnan da eto egen, tnan da nla egen e- delan. Joesog dan Goldbege (97) 5

6 6 ebangn tnan nt ats, dana tnan da nla egen e- tehada adalah : (33) dan tnan da eto egen tehada adalah : (e, 997). (34) nan asal etaa tehada adalah : (35) Gantan esaaan (33) e dala esaaan datas deoleh : (36) Gnaan hbngan bet nt enyedehanaan esaaan (36) : (37) sehngga :. (38) Da hbngan bet : deoleh. Sehngga esaaan (36) enad : (39) ns dagonal ats tnan eda fngs tehada deoleh seaa tesah da ns yang ban dagonal ats tesebt, ns dagonal ats tnan eda fngs tehada : 3 (40) Gantan esaaan (33) dan (34) e dala esaaan d atas deoleh : 4 4 (4) ns yang ban dagonal ats tnan eda fngs tehada : (4)

7 Gantan esaaan (33) dan (34) e dala esaaan (4) deoleh : 4 nt enghnda nla (43) yang negatf delan tansfoas nt seet ada esaaan (7). Sehngga tnan asal nt tansfoas n enad : = ns dagonal ats tnan eda nt tansfoas n : 4 4 4, (44) (45) ns yang ban dagonal ats tnan eda nt tansfoas n : 4 nt III. Std Kass Data std ass yang dgnaan adalah data esehatan lt dan ahang yang ted da 4 aabel (Jsan Statsta IPA IPB, 00). Pada eneltan sebelnya dengan ebeatan ada etode as lelhood dslan bahwa fato yang sesa nt data tesebt adalah =3 (Rahatn & Elah, 004). Keslan yang saa deoleh da eda etode lannya yat etode analss oonen taa, dan etode efatoan sb taa (Rahatn & Elah, 004). Hasl-hasl yang telah deoleh ada eneltan sebelnya daat dbandngan dengan hasl yang deoleh da eneaan etode as lelhood dana dala enentan n aans ata yang enan fngs lelhood dgnaan etode gaden. Pada tabel daat dlhat ats aans dan oaans nt data esehatan lt dan ahang yang dgnaan ada eneltan n. abel : ats aans oaans nt data esehatan lt dan ahang (46) No ,085,07,5 3 0,87 0,9,58 4,879 0,9 0,84,05 5 0,8 0,785 0,696 0,7, ,0667 0,05 0,08 0,05 0,0833,33 7 0,0334 0, ,0585-0,093 0,0503 0,85,06 8 0,9-0,0065 0,6 0,05 0,0 0,89 0,733,35 7

8 No ,045-0,0065 0,0793-0,07 0,0400 0,95 0,775 0,83, ,57 0,0 0,089 0,4 0,68 0,83 0,39 0,57 0,4,067 0, 0,8 0,67 0,59 0,46 0,075 0,58 0,0959 0,0453 0,8,4 0,06 0,49 0,54 0,3 0,4 0,7 0,49 0,48 0,35 0,837 0,778,7 3 0,0 0, ,06 0,0543 0,44 0,75 0,0998 0,94 0,73 0,854 0,779 0,747,69 4 0,348 0,373 0,3 0, 0,8 0,375 0,08 0,33 0,93 0,098 0,6 0,93 0,73,00 Sbe : Penggnaan SAS Syste nt Analss ltaat, Jsan Statsta IPA IPB. Da ats aans oaans nt data tesebt daat dtentan nla egen, * dan eto egen yang besesaan, seta ns dagonal e- ats S 0 yat s0[,] seet ada tabel. Nla tebaan awal yang dobaan nt seta ns dagonal e- ats daat dlhat ada tabel. abel : Nla egen, eto egen, s0[,] dan tebaan awal nt n aans Nla egen ebaan awal s0[,] 3 n aans 5, ,6, , , , , ,6, , , , , ,7, , ,4893-0, , ,6, , , , , ,6, , , , , ,6, , , , , ,6, , , , ,344 0,6, , , , , ,6, ,6406 0, , ,5876 0,6, ,5350 0, , , ,6, , ,3967 0, ,704 0,6, , , , , ,7, , ,848 0, , ,5, ,0986 0, , Nla tebaan awal nt ns dagonal e- yat yang deat dengan aa esaaan (44) : 0. ada tabel dlh Nla tebaan awal n nt seta dteasan seet ada esaaan (5) : H g, sehngga deoleh nla yang onegen yang beoesondens dengan. Nla seta ns dagonal e- da ats yang deoleh enan fngs lelhood ada esaaan (0). Nla nt asng-asng nla yang onegen daat dlhat ada tabel 4 sedangan hasl eses oga nt n aans e-4 selenganya daat dlhat ada tabel 3. 8

9 abel 3 : Hasl eses oga nt zeta e-4 yang besesaan dengan n aans e-4 eslon = 0, as teas = 00 teas zeta zeta d d -0, , ,66497,6558-0, , , , , , , , , , , , ,000000, , , , , Pada tabel 3 daat dlhat tead ennan nla tnan asal etaa (d). Keta nla d n lebh el ata saa dengan nla eslon (galat) yang dabl yat 0, aa teas behent ada teas e-6. Nla n aans yang besesaan nt zeta e-4 (-0,96364) n adalah ex(-0,96364) = 0, Detenan ats tnan asal eda fngs tehada deoleh 0, > 0, nla n ennan bahwa nla yang besesaan dengan zeta e- yat yang deoleh ebat fngs lelhoodnya n. Da ats yang deoleh daat dtentan ats fato loadng A dengan esaaan (3) nt odel otogonal dengan 3 fato nt data esehatan lt dan ahang seet ada tabel 4. Dala enghtngan ats fato loadng n dlaan dengan bantan softwae ale V elease 3. abel 4 : ats fato loadng dengan etode as lelhood nt 3 fato dengan etode gaden ats fato loadng n onegen 3 aans ada , , , , , , , , , , , , , ,

10 abel 5 : ats fato loadng dengan etode as lelhood nt 3 fato dengan etode otas otogonal Vaax dengan SPSS es 0 ats ato 3 HRHEW E E-0 HRWIDE E E-0 NOISE E-0.63E-0 EARPAIN E-0 5.6E-0 AEPAIN E-0.7 PAINSLP.948E E-0 PAINRO -.096E E-0 PAINAB 8.09E E-0 GRIND -.590E E-0 LAPSE 6.04E E SIJAW E SOREJAW AHDAHE 6.E E-0.83 RAKING E-0 ats fato loadng yang deoleh dengan etode gaden lebh el dbandngan dengan hasl yang deoleh nt etode as lelhood dengan etode otas Vaax, dengan bantan SPSS es 0. Aan teta dala engelooan deoleh hasl yang saa yat aabel hthew, htwde, nose, eaan dan faean engeloo dala eloo yang saa yat fato etaa. Vaabel anslee, anot, antab dan gnd engeloo ada fato eda. Sedangan aabel laset, stffaw, soeaw, dan ahdahe engeloo ada fato etga. Vaabel ang tda teas e dala salah sat eloo da etga fato, aena nla fato loadngnya yang sangat el. IV. Keslan ats fato loadng yang deoleh dengan etode gaden lebh el dbandngan dengan hasl yang deoleh nt etode as lelhood hasl etode otas otogonal Vaax, dengan bantan SPSS es 0. Aan teta dala engelooan aabel deoleh hasl yang saa. Dafta Pstaa Jobson, J. D. (99). Aled ltaate Data Analyss. New Yo : Snge-Velag. Johnson. R. A. (956). Aled ltaate Statstal Analyss. adson : nesty of Wsonsn. Jsan Statsta PIPA IPB. (00). Penggnaan SAS Syste nt Analss ltaat. Bogo : Deateen Penddan Nasonal Rebl Indonesa. Rahatn, D. d... (004). Pebandngan etode Koonen taa, etode Pefatoan Sb taa dan etode as Lelhood seta Alasnya dala Analss ato., Bandng : Jsan Penddan ateata PIPA PI. e, L. R. & R.. aall. (997). ato ttng By Statstal ntons. Exloatoy ato Analyss. Page

Penaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi

Penaksiran Parameter dari Variansi Vektor pada Pengujian Hipotesis Kesamaan Matriks Kovariansi Vol. 3 No. 7-77 Jul 06 Penasan Paaete da Vaans Veto ada Pengujan Hotess Kesaaan Mats Kovaans Nasah Sajang Absta Vaans veto euaan salah satu uuan dses data yang ddefnsan sebaga julah da seua eleen dagonal

Lebih terperinci

KONSTRUKSI RUANG TOPOLOGI LENGKAP

KONSTRUKSI RUANG TOPOLOGI LENGKAP KONSTRUKSI RUANG TOPOLOGI LENGKAP Sely Msdalfah Jsan Matemata FMIPA Unestas Tadlao Absta Hmpnan A mepaan semmet-semmet dpelas tedefns atas hmpnan X yang menghaslan sat eseagaman atas X yang aan membangn

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

TINJAUAN PUSTAKA Teknik Kromatografi dan Spektroskopi

TINJAUAN PUSTAKA Teknik Kromatografi dan Spektroskopi 3 TINJAUAN PUSTAKA Bebeaa ase teots yang degunaan d dala tess n elut ten oatogaf dan setoso, landasan teo engena etode statsta dan bebeaa ten estaolas. Metode statsta yang degunaan untu enganalsa data

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Analss Model Loglner Untu data yang bersfat ategor dan dapat dbentu pada suatu tabel ontngens, dapat danalss dengan analss odel loglner. Model loglner dgunaan untu enganalss eungnan

Lebih terperinci

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005)

Gambar 1.1 Nilai tukar Rupiah terhadap $US dari tahun 1998 s/ d 2005 (Sumber: Bank of Canada 21 Agustus 2005) JMA, VOL 4, O2, DESEMBER, 25, 3-9 3 PEMODELA ILAI TUKAR RUPIAH TERHADAP $US MEGGUAKA HIDDE MARKOV* BERLIA SETIAWATY dan DEWI OVIYATI SARI Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut

Lebih terperinci

PENDUGAAN PARAMETER MODEL HIDDEN MARKOV *

PENDUGAAN PARAMETER MODEL HIDDEN MARKOV * PEDUGAA PARAMETER MODEL HIDDE MARKOV * BERLIA SETIAWATY DA LIDA KRISTIA Depatemen Matemata Faultas Matemata dan Ilmu Pengetahuan Alam Insttut Petanan Bogo Jl Meant, Kampus IPB Damaga, Bogo 6680 Indonesa

Lebih terperinci

IV DAERAH KESTABILAN SISTEM

IV DAERAH KESTABILAN SISTEM 5 IV DERH KESTBILN SISTEM 4 Fngi lih Site Kontin Diberian ite peraaan linear aan dan elaran ebagai berit: x t x t B t 4 t Cx t D t 4 eraaan peraaan 4 dan 4 dapat ditli dala ibol B C D nxn dengan R nx B

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

Cetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura

Cetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura Ha cpta dlndng Undang-Undang Cetaan I, Agsts Dterbtan ole: Faltas Mateata dan Il Pengetaan Ala, Unverstas Pattra ISBN: 97-6-9755-- Desrps alaan sapl : Gabar yang ada pada cover adala plan benda-benda langt

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

P(A S) = P(A S) = P(B A) = dengan P(A) > 0.

P(A S) = P(A S) = P(B A) = dengan P(A) > 0. 0 3.5. PELUANG BERSYARAT Jka kta menghtung peluang sebuah pestwa, maka penghtungannya selalu ddasakan pada uang sampel ekspemen. Apabla A adalah sebuah pestwa, maka penghtungan peluang da pestwa A selalu

Lebih terperinci

Kontrol Model Prediksi Robas Pada Waste Heat Boiler :Parametric EllipsoidalUncertainty

Kontrol Model Prediksi Robas Pada Waste Heat Boiler :Parametric EllipsoidalUncertainty J.Oto.Ktrl.Inst J.Ato.Ctrl.Inst Vol ISSN : 85-57 Kontrol Model Preds obas Pada Waste eat oler :Paraetrc Ellpsodalncertant F. Mhlsh E. Joelanto D. Chaeran. Progra Std en Fsa Insttt enolog andng eceed date

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu

Lebih terperinci

Desain Kontrol Fuzzy Berbasis Performansi H dengan Batasan Input-Output untuk Sistem Pendulum-Kereta

Desain Kontrol Fuzzy Berbasis Performansi H dengan Batasan Input-Output untuk Sistem Pendulum-Kereta Poceedng Semna gas Ah Jana Desan Kontol Fy ebass Pefomans H atasan Inpt-Otpt nt Sstem Pendlm-Keeta to Febaanto, hastt Agstnah, Achmad Jade Jsan en Eleto FI-IS, Sabaya 6, e-mal : e_de@elect-eng.ts.ac.d

Lebih terperinci

PEMODELAN NILAI TUKAR RUPIAH TERHADAP US DOLLAR MENGGUNAKAN HIDDEN MARKOV. Oleh: DEWI NOVIYANTI SARI G

PEMODELAN NILAI TUKAR RUPIAH TERHADAP US DOLLAR MENGGUNAKAN HIDDEN MARKOV. Oleh: DEWI NOVIYANTI SARI G PEMODELA ILAI TUKAR RUPIAH TERHADAP US DOLLAR MEGGUAKA HIDDE MARKOV Oleh: DEWI OVIYATI SARI G5444 DEPARTEME MATEMATIKA FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM ISTITUT PERTAIA BOGOR 6 PEMODELA ILAI TUKAR

Lebih terperinci

METODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI

METODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI METODE SIMPLEKS A Bentu Standa Model Pogam Lnea Pelu dngatan embal bahwa pemasalahan model pogam lnea dapat meml pembatas-pembatas lnea yang betanda,,, dan peubah-peubah eputusannya dapat meupaan peubah

Lebih terperinci

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut: X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

Ensambel Statistik Distribusi Binomial Nilai Rata-rata Sistem Spin Distribusi Probabilitas Kontinu

Ensambel Statistik Distribusi Binomial Nilai Rata-rata Sistem Spin Distribusi Probabilitas Kontinu BAB 3 Penganta Metode Statstk Ensambel Statstk Dstbs Bnomal la Rata-ata Sstem Spn Dstbs Pobabltas Kontn Rvew Bab : Konsep pobabltas sangat pentng dgnakan ntk memaham sstem makoskopk Penggnaan Konsep Pobabltas:.

Lebih terperinci

PEMBAGIAN KELAS KULIAH MAHASISWA MENGGUNAKAN ALGORITMA PENGKLASTERAN FUZZY C-MEANS

PEMBAGIAN KELAS KULIAH MAHASISWA MENGGUNAKAN ALGORITMA PENGKLASTERAN FUZZY C-MEANS PEMBAGIA KELAS KULIAH MAHASISWA MEGGUAKA ALGORITMA PEGKLASTERA FUZZY C-MEAS Bd Setyono 1), R. Rzal Isnanto ) Jrsan Ten Eletro Faltas Ten Unverstas Dponegoro 1,) Jl. Prof. H. Sdarto, SH Tembalang Semarang

Lebih terperinci

RUANG FUNGSI GELOMBANG PARTIKEL TUNGGAL (ONE-PARTICLE WAVE FUNCTION SPACE)

RUANG FUNGSI GELOMBANG PARTIKEL TUNGGAL (ONE-PARTICLE WAVE FUNCTION SPACE) RUANG FUNGSI GELOMBANG PARTIKEL TUNGGAL (ONE-PARTICLE WAVE FUNCTION SPACE) Intepetas pobablstk a fungs gelombang t suatu patkel telah kta pelaa yatu t yang menyatakan peluang menemukan patkel paa waktu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengetan Koelas Koelas adalah stlah statstk yang menyatakan deajat hubungan lnea antaa dua vaabel atau lebh, yang dtemukan oleh Kal Peason pada awal 1900. Oleh sebab tu tekenal dengan

Lebih terperinci

NILAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT

NILAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT NIAI EIGEN DAN FUNGSI EIGEN DARI OPERATOR MOMENTUM SUDUT A. Sfat Dasa Moentu Suut p 8. Gaba 8. Defns las oentu angula Aah engut atuan putaan sup anan B. Koponen-Koponen Moentu Obtal ala Keanga Koonat Catesan

Lebih terperinci

Penggunaan Model Regresi Tobit Pada Data Tersensor

Penggunaan Model Regresi Tobit Pada Data Tersensor SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 016 S 15 Penggunaan Model Regres obt Pada Data ersensor Def Yust Fadah 1, Resa Septan Pontoh 1, Departemen Statsta FMIPA Unverstas Padjadjaran def.yust@unpad.ac.d

Lebih terperinci

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c 6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan

Lebih terperinci

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu

Lebih terperinci

MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD. Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang

MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD. Jl. Prof. H. Soedarto, S.H., Tembalang, Semarang MENYELESAIKAN SISTEM PERSAMAAN LINIER MENGGUNAKAN ANALISIS SVD Idam Had Ahmad dan Luca Ratnasa, Juusan Matemata, FMIPA UNDIP Jl. Pof. H. Soedato, S.H., Tembalang, Semaang Abstact. Lnea equaton system,

Lebih terperinci

Integral Mcshane Fungsi Bernilai Banach

Integral Mcshane Fungsi Bernilai Banach ea shae s Bea Baah Hey Pbawao Syawa sa aeaa Uvesas Saaa Dhaa Yoyaaa e-a heybs@sasdad Absa ea Shae eaa ea e Rea ya ea daa ea Heso-zwe da evae dea ea Lebese D daa aaah aa dbaaa sa ea ea Shae ya s bea ada

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

vektor ( MATP ) Disusun Oleh : Drs. Pundjul Prijono Nip

vektor ( MATP ) Disusun Oleh : Drs. Pundjul Prijono Nip MODUL MATEMATIKA SMA 6 JP etr MATP 7.5.6 ) Dssn Oleh : Drs. Pndl Prn Np. 95807.980..00 PEMERINTAH KOTA MALANG DINAS PENDIDIKAN SMA NEGERI 6 Jalan Mayen Sngn N. 58 Telp. 04) 7506 Malang Mdl MATP 7.5.6 VEKTOR

Lebih terperinci

Integral Lipat Dua (Double Integral)

Integral Lipat Dua (Double Integral) Peteman- & 9 Integal Lpat Da Doble Integal Fngs: Menghtng s benda padat mbl bdang o o, pada poos. Penampang antaa benda dan o mempna las L bdang as Jka ada bdang dsampng maka las bdang: b a f d lm n Δ

Lebih terperinci

Pergerakan Tanah Pada Lembah Tertimbun Yang Dipengaruhi Gelombang Permukaan Datar

Pergerakan Tanah Pada Lembah Tertimbun Yang Dipengaruhi Gelombang Permukaan Datar Vol. 3, o., 53-59, Janari 7 Pergerakan Tanah Pada Lebah Tertibn Yang Dipengarhi Gelobang Perkaan Datar Jeffry Ksa Abstrak Tlisan ini ebahas engenai pergerakan tanah pada lebah tertibn yang dipengarhi gelobang

Lebih terperinci

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI

Lebih terperinci

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk

Lebih terperinci

ANALISIS PERBANDINGAN METODE FUZZY C-MEANS DAN SUBTRACTIVE FUZZY C-MEANS. Baiq Nurul Haqiqi 1, Robert Kurniawan 2. Abstract

ANALISIS PERBANDINGAN METODE FUZZY C-MEANS DAN SUBTRACTIVE FUZZY C-MEANS. Baiq Nurul Haqiqi 1, Robert Kurniawan 2. Abstract Analss Perbandngan (Baq urul Haqq) AALISIS PERBADIGA METODE FUZZY C-MEAS DA SUBTRACTIVE FUZZY C-MEAS Baq urul Haqq, Robert Kurnawan, Jurusan Koputas Statst, Seolah Tngg Ilu Statst (STIS) Eal: qq0693@naver.o,

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat

Lebih terperinci

DESKRIPSI DAN FORMULASI MASALAH

DESKRIPSI DAN FORMULASI MASALAH 9 Masalah Path Tepende (The Shotest Path Poblem) Masalah path tepende mepaan ass hss dalam masalah neto lo biaa minimm. Dideinisian panang nt sembaang path beaah dalam sat neto mlah biaa sema sisi beaah

Lebih terperinci

BAB I (Minggu ke- 1,2,3) Konsep Dasar. Vektor

BAB I (Minggu ke- 1,2,3) Konsep Dasar. Vektor 5 I (Mnggu e- 1,,3) Konsep Dasa. Veto PENDHULUN Leanng Outcome: Setelah mengut ulah n, mahasswa dhaapan: Mampu menelasan pebedaan besaan sala dan veto dan mampu menelesaan setap asus nemata ang dbean.

Lebih terperinci

PENENTUAN HARGA OPSI UNTUK MODEL BLACK - SCHOLES MENGGUNAKAN METODE BEDA HINGGA CRANK-NICOLSON

PENENTUAN HARGA OPSI UNTUK MODEL BLACK - SCHOLES MENGGUNAKAN METODE BEDA HINGGA CRANK-NICOLSON PEETUA HARGA OPI UTUK MODEL BLACK - CHOLE MEGGUAKA METODE BEDA HIGGA CRAK-ICOLO Rully Chatas Inda Pahmana dan Ds. umad, M. Absta Ops meupaan suatu onta antaa penual ops dengan pembel ops, dmana penual

Lebih terperinci

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN 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 terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.

Lebih terperinci

Dekomposisi Nilai Singular dan Aplikasinya

Dekomposisi Nilai Singular dan Aplikasinya A : Dekomposs Nla Sngular dan Aplkasnya Gregora Aryant Dekomposs Nla Sngular dan Aplkasnya Oleh : Gregora Aryant Program Stud Penddkan Matematka nverstas Wdya Mandala Madun aryant_gregora@yahoocom Abstrak

Lebih terperinci

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION

PEMODELAN TINGKAT KERAWANAN DEMAM BERDARAH DENGUE DI KABUPATEN LAMONGAN DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION PEMODELAN INGKA KERAWANAN DEMAM BERDARAH DENGUE DI KABUPAEN LAMONGAN DENGAN PENDEKAAN GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION Marsa Rfada 1, Purhad 1) Mahasswa Magster Jurusan Statsta, Insttut

Lebih terperinci

Analisis Penyelesaian Persamaan Kuadrat Matriks

Analisis Penyelesaian Persamaan Kuadrat Matriks Jurnal Matemata, Jurnal Matemata, tatsta tatsta, & Komutas & Komutas Vol. 3 No Vol. Jul No. 6 Jul 5 Vol, No, 9-3, 9-9, Jul 5 9 Analss Penyelesaan Persamaan Kuadrat Matrs Hasmawat dan Amr Kamal Amr Abstra

Lebih terperinci

Model Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)

Model Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR) JURNAL TEKNIK POMITS Vol, No, (22) -6 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, Nur Wahyunngsh 2, dan I Gust Ngurah Ra Usadha 3

Lebih terperinci

ANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK

ANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres

Lebih terperinci

Bab 4 ANALISIS KORELASI

Bab 4 ANALISIS KORELASI Bab 4 ANALISIS KORELASI PENDAHULUAN Koelas adalah suatu alat analss yang dpegunakan untuk menca hubungan antaa vaabel ndependen/bebas dengan vaabel dpenden/takbebas. Apabla bebeapa vaabel ndependen/bebas

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

Model Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR)

Model Peramalan Pasokan Energi Primer Dengan Pendekatan Metode Fuzzy Linear Regression (FLR) JURNAL SAINS DAN SENI ITS Vol 1, No 1, (Sept 2012) ISSN: 2301-928 A-34 Model Peraalan Pasokan Energ Prer Dengan Pendekatan Metode Fuzzy Lnear Regresson (FLR) Hkayangkara Putr Purwareta, I Gust Ngurah Ra

Lebih terperinci

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB

BAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori Ruag Basa Sesh ( Δ ),< < da Bebeaa Pemasaaha Kaatesas Podu Teso ( Δ) ( Δ) Musm Aso Juusa Matemata, FMIPA, Uvestas Lamug J. Soemat Bodoegoo No. Bada Lamug 3545 E-ma: asomath@ahoo.com ABSTRACT I ths ae we

Lebih terperinci

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN

BAB III HIPOTESIS DAN METODOLOGI PENELITIAN BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan

Lebih terperinci

Bab III Model Estimasi Outstanding Claims Liability

Bab III Model Estimasi Outstanding Claims Liability Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa

Lebih terperinci

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR

METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

Pendekatan Hurdle Poisson Pada Excess Zero Data SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d

Lebih terperinci

ANALISIS VEKTOR & SISTIM KOORDINAT. Dr.Togar Saragi, Listrik Magnet1 1

ANALISIS VEKTOR & SISTIM KOORDINAT. Dr.Togar Saragi, Listrik Magnet1 1 NLISIS EKTOR & SISTIM KOORDINT DToga Saag Lstk Magnet SKLR DN EKTOR esaan ss alam Fska: Skala : besaan ang ana memlk nla ekto : besaan ang memlk nla an aa esaan skala an vekto mag-mag memlk mean ang sebt

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

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

KALKULUS VARIASI JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA

KALKULUS VARIASI JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA KALKULUS VARIASI JURUSAN PENDIDIKAN ISIKA PMIPA UNIVERSITAS PENDIDIKAN INDONESIA Smak Petanaan! Bang A B Bentuk kuva apakah ang menunjukkan jaak tepenek ang menghubung-kan ttk A an ttk B alam bang ata

Lebih terperinci

Penerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6)

Penerapan Aljabar Matrik Dalam Analisa Masukan-Keluaran Elistya Rimawati 6) ISSN : 693 73 Penerapan Aljabar Matrk Dala Analsa Masukan-Keluaran Elstya Rawat 6) Abstrak Analsa asukan-keluaran bertolak dar anggapan bahwa suatu sste perekonoan terdr atas sector-sektor yang salng berkatan.

Lebih terperinci

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE Fan Puspasar 201 16019 Program Sud Magser Maemaa Faulas Maemaa dan Ilmu Pengeahuan Alam Insu Tenolog Bandung

Lebih terperinci

PERMASALAHAN LOKASI (Model Dasar) [2]

PERMASALAHAN LOKASI (Model Dasar) [2] PERMASALAHAN LOKASI Model Dasar [] Technques of Contnuous Space Locaton Probles Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch provde

Lebih terperinci

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1) Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar

Lebih terperinci

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance

Median Method. Types of Distance Rectilinear distance / Manhattan distance / City block distance / rigth-angle distance / rectangular distance 30/05/04 Technques of Contnuous Space Locaton Probles PERMASALAHAN LOKASI Model Dasar [] Medan ethod» Rectlner / Manhattan / Ct bloc dstance Contour-Lne ethod» Constructs regons bounded b counter lne hch

Lebih terperinci

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i

BAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan

Lebih terperinci

BAB III SAMPLING BERKELOMPOK DAN SAMPLING BERKELOMPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS)

BAB III SAMPLING BERKELOMPOK DAN SAMPLING BERKELOMPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS) BAB III SAPLING BERKELOPOK DAN SAPLING BERKELOPOK DENGAN PROBABILITY PROPORTIONAL TO SIZE (PPS) 3. Saplng Berkelopok Populas elk konds yang berbeda beda jka dlhat berdasarkan ukurannya. Pada pebahasan

Lebih terperinci

BAB IV SIMULASI PENGUKURAN KECEPATAN ALIRAN MENGGUNAKAN GELOMBANG ULTRASONIK. tempuh gelombang ultrasonik antara waktu upstream dan downstream untuk

BAB IV SIMULASI PENGUKURAN KECEPATAN ALIRAN MENGGUNAKAN GELOMBANG ULTRASONIK. tempuh gelombang ultrasonik antara waktu upstream dan downstream untuk BAB IV SIMULASI PENGUKURAN KECEPATAN ALIRAN 4. Waktu Temuh Gelombang Ultasonik Tansit time ultasoni flowmete memanfaatkan adanya ebedaan waktu temuh gelombang ultasonik antaa waktu usteam dan downsteam

Lebih terperinci

PENGGABUNGAN PADA SUPER EDGE-MAGIC PETERSEN GRAPH DENGAN VERTEX PADA SETIAP VERTEX YANG ADA. Ida Christiana 1,Chairul Imron 2 ABSTRAK

PENGGABUNGAN PADA SUPER EDGE-MAGIC PETERSEN GRAPH DENGAN VERTEX PADA SETIAP VERTEX YANG ADA. Ida Christiana 1,Chairul Imron 2 ABSTRAK PENGGABUNGAN PADA SUPER EDGE-MAGIC PETERSEN GRAPH DENGAN VERTEX PADA SETIAP VERTEX YANG ADA Ida Chrstana 1,Charul Imron ABSTRAK Pelabelan suatu grah adalah suatu emetaan dar hmunan elemen grah (vertex,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Tess ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK Oleh : MUHAMMAD NAFI NRP.304008 PROGRAM PASCASARJANA PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI

Lebih terperinci

ANALISIS BENTUK HUBUNGAN

ANALISIS BENTUK HUBUNGAN ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel

Lebih terperinci

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS

SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS SISTEM LINEAR MAX-PLUS KABUR WAKTU INVARIANT AUTONOMOUS A8 M. Andy Rudhto 1 1 Program Stud Penddkan Matematka FKIP Unverstas Sanata Dharma Kampus III USD Pangan Maguwoharjo Yogyakarta 1 e-mal: arudhto@yahoo.co.d

Lebih terperinci

07:03:18. Fisika I MAHASISWA MAMPU MENCARI KECEPATAN BENDA ATAU MAHASISWA MAMPU MENCARI PUSAT MASSA SEBUAH SISTEM MELALUI MOMENTUM SISTEM

07:03:18. Fisika I MAHASISWA MAMPU MENCARI KECEPATAN BENDA ATAU MAHASISWA MAMPU MENCARI PUSAT MASSA SEBUAH SISTEM MELALUI MOMENTUM SISTEM 07:03:8 SASARAN PEMBELAJARAN MAHASISWA MAMPU MENCARI PUSAT MASSA SEBUAH SISTEM MAHASISWA MAMPU MENCARI KECEPATAN BENDA ATAU SISTEM MELALUI MOMENTUM Konsep Dasa Moentu Huku Newton III : aks-eaks 0 Huku

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP

Lebih terperinci

DEBLURRING MENGGUNAKAN KERNEL REGRESI ADAPTIF TEREGULASI

DEBLURRING MENGGUNAKAN KERNEL REGRESI ADAPTIF TEREGULASI osdng emna asonal Manajemen eknolog IX ogam td MM-I, abaya 4 eba 009 DEBLRRI MEAKA KEREL REREI ADAIF ERELAI ahy bowo, Rlly oelaman, Jsan enk Infomtka, Fakltas eknolog Infomas, Insttt eknolog eplh opembe,

Lebih terperinci

RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007

RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007 RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION Oleh : SOEMARTINI JURUSAN STATISTIKA FAKULTAS MATEMATIKA dan ILMU PENGETAHUAN ALAM UNIVERSITAS PADJADJARAN JATINANGOR 008 DAFTAR ISI Hal DAFTAR

Lebih terperinci

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran

BAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Peluang Peluang adalah suatu nla untuk menguku tngkat kemungknan tejadnya suatu pestwa (event) akan tejad d masa mendatang yang haslnya tdak past (uncetan event). Peluang dnyatakan

Lebih terperinci

STATISTICAL STUDENT OF IST AKPRIND

STATISTICAL STUDENT OF IST AKPRIND E-mal : statstkasta@yahoo.com Blog : Analss Regres SederhanaMenggunakan MS Excel 2007 Lsens Dokumen: Copyrght 2010 sssta.wordpress.com Seluruh dokumen d sssta.wordpress.com dapat dgunakan dan dsebarkan

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

PENGENDALIAN PROSES PRODUKSI MENGGUNAKAN PETA KENDALI VARIABEL FUZZY LINGUISTIK

PENGENDALIAN PROSES PRODUKSI MENGGUNAKAN PETA KENDALI VARIABEL FUZZY LINGUISTIK PENGENDALIAN PROSES PRODUKSI MENGGUNAKAN PETA KENDALI VARIABEL FUZZY LINGUISTIK Akk Hdayat Juusan Mateatka FMIPA Unvestas Padadaan Jl. Raya Jatnango K, Jatnango, Telp/Fax : 0-779696 ABSTRACT The attbute

Lebih terperinci

PENGGUNAAN KRITERIA rcp PADA PEMILIHAN PEUBAH BEBAS TERBAIK JIKA TERDAPAT MULTIKOLINEARITAS

PENGGUNAAN KRITERIA rcp PADA PEMILIHAN PEUBAH BEBAS TERBAIK JIKA TERDAPAT MULTIKOLINEARITAS PENGGUNAAN KRIERIA rp PADA PEMILIHAN PEUBAH BEBAS ERBAIK JIKA ERDAPA MULIKOLINEARIAS Harm Sugart (harm@mal.ut.a.d) Unverstas erbuka ABSRAC Some roedures an be used for seletng ndeendent varables, one of

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA) BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

RANGKAIAN SERI. 1. Pendahuluan

RANGKAIAN SERI. 1. Pendahuluan . Pendahuluan ANGKAIAN SEI Dua elemen dkatakan terhubung ser jka : a. Kedua elemen hanya mempunya satu termnal bersama. b. Ttk bersama antara elemen tdak terhubung ke elemen yang lan. Pada Gambar resstor

Lebih terperinci

BAB IV PEMBAHASAN DB 10 = TP 13 DB 10 = TP 12 DB 9 = TP 11. Gambar 12 Site Layout Proyek Holland Village Cempaka Putih

BAB IV PEMBAHASAN DB 10 = TP 13 DB 10 = TP 12 DB 9 = TP 11. Gambar 12 Site Layout Proyek Holland Village Cempaka Putih BAB IV PEMBAHASAN 4.1. Data untuk encar nla alpha Berkut dberkan ste layout Proyek Holland Vllage Cepaka Puth. DB 15 = TP 14 DB 10 = TP 13 DB 10 = TP 1 DB 9 = TP 11 DB 13 = TP DB 7 = TP-A5 DB 6 = TP-A3

Lebih terperinci

Perancangan Poros Transmisi

Perancangan Poros Transmisi Peancangan Poos Tansisi 1. ebuah oos tansisi beuta 6 dan dituu oleh bantalan seeti telihat ada gaba. Daya sebesa h ditansisikan ke oos elalui ulley bediaete 18 yang eiliki beat lb dengan asio tegangan

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI 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 terperinci

ALJABAR LINIER LANJUT

ALJABAR LINIER LANJUT ALABAR LINIER LANUT Ruang Bars dan Ruang Kolom suatu Matrks Msalkan A adalah matrks mnatas lapangan F. Bars pada matrks A merentang subruang F n dsebut ruang bars A, dnotaskan dengan rs(a) dan kolom pada

Lebih terperinci

SIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN

SIFAT - SIFAT MATRIKS UNITER, MATRIKS NORMAL, DAN MATRIKS HERMITIAN SFT - SFT MTRKS UNTER, MTRKS NORML, DN MTRKS HERMTN Tasa bstak : Tujuan peneltan n adalah untuk mengetahu pengetan dan sfat sfat da matks unte, matks nomal, dan matks hemtan. Metode peneltan yang dgunakan

Lebih terperinci

TINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik

TINJAUAN PUSTAKA Tingkat Keberhasilan Mahasiswa Regresi Logistik 5 TINJAUAN PUSTAKA Tngkat Keberhaslan Mahasswa Secara gars besar, faktor-faktor yang memengaruh keberhaslan mahasswa dalam enddkan (Munthe 983, dacu dalam Halm 29 adalah:. Faktor ntelektual seert masalah

Lebih terperinci