PACKAGE FF DAN FFBASE DALAM R UNTUK BIG DATA
|
|
- Ivan Muljana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PACKAGE FF DAN FFBASE DALAM R UNTUK BIG DATA Membahas komputasi, mencoba, dan mendemonstrasikan package FF dalam Big Data Paper ini disusun untuk memenuhi tugas mata kuliah Big Data Yogyakarta, 8 Mei 2017 Nur Fadhillah R Nst Indah Rini Setyowati Annaz Trio Wardhana Fidelis Restu Disusun oleh : (13/348000/PA/15416) (14/363382/PA/15844) (14/366130/PA/16215) (14/368628/PA/16298) Dosen Pengampu : Drs. Danardono M.P.H., Ph.D. Vemmie Nastiti Lestari, M.Sc. PROGRAM STUDI STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS GADJAH MADA 2017
2 BAB I PRINSIP FF DAN FFBASE A. Pendahuluan Package ff merupakan salah satu package pada R yang digunakan untuk menangani sistem data pada big data. Package ini merupakan cara yang paling tepat dan efisien saat ingin menyelesaikan masalah dengan suatu dataset yang sangat besar karena peralatannya yang lengkap. Kelebihan package ff disbanding dengan package bidgata yang lain adalah sebagai berikut. - Tidak membatasi untuk mengejakan tipe data numerik dan matriks saja seperti package bigmemory, tetapi juga relatif lebih mudah untuk mengakses tipe data karakter, vektor, bahkan faktor. - Mempunyai fungsionalitas pemuatan data yang efisien dari flat/scv file. - Tidak pelu menggunakan package sqldf untuk mendapatkan dan menambahkan sepanjang waktu data tersebut di kanan (RAM-terbatas) ukuran ke dan dari database SQLite. - Memiliki tingkat fungsi yang lebih tinggi (seperti menerapkan set of family, mengurutkan, ) daripada package mmap yang tampaknya kurang bisa digunakan. - Memungkinkan untuk bekerja dengan dataset yang tidak dapat diletakkan di memory yang package database nya tidak memungkinkan. Salah satu package yang menunjang bekerjanya package ff adalah package ffbase. Package tersebut sekarang berisi beberapa ekstensi yang sangat berguna. Package ini juga berisi banyak fungsi dari paket dasar R untuk penggunaan dengan dataser besar melalui package ff. Beberapa fungsi tersebut diantaranya sebagai berikut. 1. Operasi dasar : c, unique, duplicated, ffmatch, ffdfmatch, %in%, is.na, all, any, cut, ffwhich, ffappend, ffdf append, dll. 2. Operator standard pada vektor : +, -, *, /, ^, %%, %/%, ==,!=, <, <=, >=, >, &,,!, dll. 3. Operator matematika : abs, sign, sqrt, ceiling, floor, truch, round, signif, log, log10, log2, log1p, exp, expm1, acos, acosh, asin, asinh, atan, atanh, cos, cosh, sin, sinh, tan, tanh, gamma, 1gamma, digamma, trigamma, dll. 4. Selection dan manipulasi data : subset, transform, with, within, ffwhich, dll. 5. Ringkasan statistik : sum, min, max, range, quantile, hist, dll. 6. Transformasi data : cumsum, cumprod, cumin, cummax, table, tabulate, merge, ffdfply, dll.
3 Fungsi-fungsi tersebut bekerja pada objek atau benda kelas ffdf dari package ff. disamping itu, ada beberapa fungsi tambahan yang memungkinakan pengelompokan lebih cepat dengan tidak terbatas pada package ff saja. Misalnya, agregasi kelompok akan lebih cepat jika digunakan fungsi : bysum, bymean, binned_sum, binned_sumsq, binned_tabulate, dll. B. Fungsi Dasar dan Fungsi Matematika Terdapat 2 fungsi mendasar yang digunakan dalam package ff, yaitu ff dan ffdf. Dikatakan mendasar karena kedua fungsi tersebut digunakan untuk membuat suatu data berbentuk vektor dan matrix (untuk ff) dan data frame (untuk ffdf). 1. Fungsi ff Fungsi ff dapat digunakan untuk membentuk flat file 1 dimensi. Syntax yang digunakan adalah : ff(vmode=,length= ) Setelah itu, dibentuk data seperti biasa, dan digunakan syntax untuk memodifikasi flat file 1 dimensi yang telah terbuat tadi. Bentuk seperti ini dinamakan vektor ff. Contoh : Selain itu, fungsi ff dapat digunakan untuk membentuk flat file multi dimensi. Syntax yang digunakan adalah : ff(vmode=,dim= ) Setelah itu, dibentuk data seperti biasa, dan digunakan syntax untuk memodifikasi flat file 1 dimensi yang telah terbuat tadi. Pada 1 dimensi, digunakan data rivers yang merupakan data bawaan dari R. Pada multi dimensi ini akan diberikan contoh dengan membuat data sendiri. Bentuk seperti ini dinamakan matriks ff. Contoh :
4 2. Fungsi ffdf Fungsi ffdf ini sering digunakan dalam aplikasi penyelesaian bigdata. Ffdm singkatan dari FF Data Frame. Berikut akan ditunjukkan perbedaan data frame biasa dengan ffdf. Di atas merupakan bentu data frame biasa yang sering digunakan. Berikut output jika data di atas dirubah menjadi ffdf. Perbedaan data frame dengan ffdf yaitu jika digunakan pada big data. Pada data frame biasa, hanya mampu membaca beberapa data saja, tetapi pada ffdf data bisa dibaca secara menyeluruh dengan waktu yang lebih cepat. Berikut perbedaan pembacaan big data pada Ms. Excel, R tanpa package, dan R dengan package ff.
5 a) Ms. Excel Jumlah data yang terlalu besar, menyebabkan Ms. Excel tidak bisa membaca data secara keseluruhan. Hal ini dikarenakan Ms. Excel mempunyai jumlah baris maksimal. b) R tanpa package R tanpa package juga tidak bisa membaca data secara menyeluruh. Dia hanya dapat membaca maksimal baris data. c) R dengan package ff Package ff pada R bisa membaca data secara keseluruhan. Hal paling mendasar yang bisa diambil dari sini yaitu kita bisa mengetahui jumlah data yang ada. Dari ketiga perbandingan di atas, bisa diambil kesimpulan bahwa tidak semua aplikasi bisa digunakan untuk membaca apalagi melakukan pengolahan big data. Package ff merupakan salah satu package yang dapat digunakan untuk membaca big data dengan tepat. 3. Operasi Penjumlahan Fungsi ini digunakan untuk menjumlahkan vektor dalam bentuk ff. Syntax yang digunakan adalah sebagai berikut. sum(x, na.rm = FALSE, range = NULL)
6 dimana : - x : objek ff yang akan dijumlahkan - na.rm : apakah missing value ingin dihapus? - range : jumlah integer vektor yang ingin dijumlahkan Pada intinya operasi penjumlahan pada package ff dan tanpa ff sama, perbedaannya hanyalah jenis pada objek yang digunakan. 4. Operasi Mean Fungsi ini digunakan untuk menghitung nilai rata rata atau mean dari suatu objek data. Syntax yang digunakan adalah sebagai berikut: mean(x, trim = 0, na.rm = FALSE,...) dimana: - x : objek pada R yang akan dihitung nilai mean atau rata ratanya - trim : nilai pecahan (0 sampai 0,5) dari pengamatan untuk dihilangkan dari setiap ujung nilai x sebelum menghitung mean. Nilai yang berada diluar interval yang telah ditentukan tersebut akan digunakan sebagai titik akhir terdekat. - na.rm : apakah missing value ingin dihapus sebelum dilakukan proses komputasi? -... : argument lebih lanjut 5. Operasi Perkalian Matrix Pada dasarnya operasi matriks untuk big data tidak tersedia pada packages ff dan ffbase, packages ff dan ffbase hanya berfokus pada pembentukan matriks. Untuk melakukan operasi matriks dapat dilakukan secara manual atau seperti operasi matriks di R, atau menggunakan bantuan beberapa packages seperti biganalytics, atau bigalgebra. Namun pada pembahasan kali ini, akan digunakan operasi matriks secara manual tanpa bantuan packages tambahan, mengingat tujuan dari penelitian ini adalah focus pada penggunaan packages ff dan ffbase.
7 BAB II IMPLEMENTASI A. Penerapan Fungsi Sum, Mean, Dan Kali Matriks Pada Regresi Selanjutnya akan dibahas mengenai 3 fungsi yang sering digunakan dalam pengolahan data, yaitu fungsi sum, mean, dan kali matrix pada ff. Diperlukan package ffbase untuk menjalankan fungus tersebut. Ketiga fungsi tersebut akan diterapkan pada regresi, yaitu sebagai berikut. d) Sum, digunakan untuk mencari estimasi parameter pada regresi linear sederhana. β = n XY X Y n X 2 ( Y) 2 e) Mean, digunakan untuk mencari estimasi parameter pada regresi linear sederhana. α = Y β X f) Kali matrix, digunakan untuk mencari estimasi parameter pada regresi linear ganda. β = (X X) 1 X Y Studi kasus yang digunakan yaitu data airline tahun 1987, dengan variabel Y = ArrTime dan variabel X = DepTime untuk regresi sederhana. Sedangkan untuk regresi ganda, digunakan Y = ArrTime, X1 = DepTime, dan X2 = Distance. Sum FF Pada studi kasus ini, terdapat beberapa langkah yang dilakukan untuk menggunakan fungsi ffbase hingga didapatkan nilai estimasinya. 1. Membaca data 2. Mengambil variabel yang ingin dijumlahkan
8 3. Melalukan Perhitungan Package ffbase 4. Setelah itu, karena terjadi warning, maka dilakukan perhitungan manual untuk mencari estimator β dari nilai-nilai yang telah diperoleh. β = n XY X Y n X 2 ( Y) 2 = (2, ) ( )( ) (2, ) ( ) 2 = 3, , , , = 2 Mean FF Pada studi kasus ini, terdapat beberapa langkah yang dilakukan untuk menggunakan fungsi ffbase hingga didapatkan nilai estimasinya. 1. Membaca data
9 2. Mengambil variabel yang ingin dijumlahkan 3. Melalukan Perhitungan Package ffbase Sebelumnya telah diketahui bahwa nilai estimator β sebesar -2. Jadi, diperoleh nilai estimator α sebagai berikut : α = Y β X =
10 Operasi Perkalian Matriks Untuk operasi perkalian matriks, diambil studi kasus pencarian nilai estimasi β pada regresi ganda. Data yang digunakan adalah data yang sama pada pembahasan sebelumnya. Data yang digunakan sebagai berikut : Berdasarkan data di atas, variable dependen (Y) yang diambil untuk estimasi regresi adalah ArrTime, dan variable independen (X1 dan X2) yang diambil untuk estimasi regresi adalah DepTime, dan Distance. Diketahui rumus estimasi nilai β pada regresi ganda sebagai berikut : β = (X X) 1 X Y Berdasarkan rumus di atas, maka langkah awal yang dilakukan adalah membentuk matriks X dengan dimensi N x 3, dan matriks Y dengan dimensi N x 1, dimana N adalah jumlah data yang digunakan.
11 Berikut sintaks untuk pembentukan matriks X dan Y 1. Matriks X 2. Matriks Y Keterangan : Data[,5], data[,7] dan data[,18] menunjukkan urutan kolom dari variabel-variabel yang diambil pada data. Variabel dependen ArrTime diambil dari data pada kolom ketujuh, sedangkan variabel independen DepTime, dan Distance berturut turut diambil dari data pada kolom kelima dan kedelapan belas. Setelah dibentuk matriks X dan Y, maka akan dibentuk matriks (X T X) -1 dan (X T Y). Operasi perkalian matriks yang digunakan menggunakan operasi matriks manual pada R, tanpa bantuan packages khusus. Bentuk matriks (X T X) -1 dan (X T Y) didapat sebagai berikut :
12 1. Matriks (X T X) -1 Karena matriks (X T X) terdapat NA yang kemungkinan disebabkan oleh adanya missing value pada salah satu atau kedua variabel independen, maka terdapat nilai NA pada perkalian X T X. Hal ini mengakibatkan invers dari X T X tidak dapat dihitung. 2. Matriks (X T Y) Hal yang sama terjadi pada perkalian matriks X T Y, pada perkalian matriks ini terdapat nilai NA yang kemungkinan disebabkan oleh adanya missing value pada data yang digunakan. Karena pada kedua perkalian matriks ini menghasilkan nilai NA, maka penghitungan nilai estimasi β dengan contoh data ini tidak dapat dilakukan. Namun secara tidak langsung studi kasus ini menunjukkan bahwa operasi perkalian matriks untuk data besar dapat dilakukan secara manual. Selain itu dari studi kasus ini menunjukkan bahwa packages ff dapat digunakan untuk pembentukan matriks. B. Perbandingan Waktu Untuk membandingkan proses waktu yang digunakan oleh suatu data dengan atau tanpa menggunakan package ff, digunakan syntax berikut. ptm <- proctime() (syntax yang akan dihitung prosesnya) proctime ptm Digunakan data vektor berukuran 24 (puluhan), 150 (ratusan), (ribuan), (puluhribuan), dan (bigdata). Masing-masing data vektor di atas dikenakan proses pembacaan data, operasi sum, dan operasi mean. Hasil (output) pada perbandingan waktu dapat dilihat di lampiran.
13 Diperoleh kesimpulan dari perbandingan waktu sebagai berikut. Lama Waktu (Detik) Banyaknya Baca Data Sum Mean Data Tanpa ff Dengan ff Tanpa ff Dengan ff Tanpa ff Dengan ff Puluhan 0,02 0,04 0,02 0,03 0,01 0,02 Ratusan 0,03 0,04 0,01 0,01 0,02 0,02 Ribuan 0,05 0,11 0,01 0,03 0,02 0,02 Puluhribuan 0,11 0,13 0,01 0,08 0,02 0,02 Big Data 13,45 12,45 0,03 0,02 0,05 0,04 Dari tabel di atas, diperoleh beberapa kesimpulan terkait perbandingan waktunya. Lama waktu menggunakan package ff dan tanpa menggunakan ff tidak berbeda secara signifikan. Untuk big data, proses dengan package ff relatif lebih cepat daripada tanpa package ff. Untuk non big data, proses tanpa package ff lebih cepat dari pada dengan package ff. Big data yang dimaksud adalah data yang ukurannya sangat besar hingga Ms. Excel tidak bisa membaca. Karena meskipun data besar hingga puluh ribuan, akan tetapi itu belum termasuk big data. Dari beberapa kesimpulan atas, bisa disimpulkan bahwa package ff lebih baik digunakan hanya untuk big data saja. Jika data masih bisa terbaca oleh excel, maka tidak perlu digunakan package ff.
14 BAB III KESIMPULAN 1. Package ff merupakan salah satu package pada R yang digunakan untuk menangani sistem data pada big data. 2. Salah satu package yang menunjang bekerjanya package ff adalah package ffbase. Package ini berisi banyak fungsi dari paket dasar R untuk penggunaan dengan data besar melalui package ff. 3. Fungsi mendasar yang digunakan dalam package ff, yaitu ff dan ffdf. Dikatakan mendasar karena kedua fungsi tersebut digunakan untuk membuat suatu data berbentuk vektor dan matrix (untuk ff) dan data frame (untuk ffdf). 4. Tidak semua aplikasi bisa digunakan untuk membaca apalagi melakukan pengolahan big data. Package ff merupakan salah satu package yang dapat digunakan untuk membaca big data dengan tepat. 5. Pada intinya operasi penjumlahan (sum), perhitungan rata-rata (mean), dan perkalian matrix pada package ff dan tanpa ff sama, perbedaannya hanyalah jenis pada objek yang digunakan. Package ff menggunakan data jenis ff atau ffbase. 6. Package ff lebih baik digunakan hanya untuk big data saja. Jika data masih bisa terbaca oleh excel, maka tidak perlu digunakan package ff.
15 LAMPIRAN Deskripsi Fungsi 1. Fungsi ff 2. Fungsi ffdf 3. Fungsi sum.ff
16 4. Fungsi mean.ff Output Perbandingan Waktu 1. Baca Data a. Puluhan b. Ratusan
17 c. Ribuan d. Puluh Ribuan
18 e. Big Data 2. Perhitungan Sum a. Puluhan b. Ratusan
19 c. Ribuan d. Puluh Ribuan e. Big Data
20 3. Perhitungan Mean a. Puluhan b. Ratusan c. Ribuan
21 d. Puluh Ribuan e. Big Data
STK 571 KOMPUTASI STATISTIK Materi 3
STK 571 KOMPUTASI STATISTIK Materi 3 ARITMETIKA Aritmetika berhubungan dengan: Operand Operator Fungsi Operand : Konstanta contoh : 10-1.5 1.5e10 Objek data contoh : x y panjang ARITMETIKA Operator: ARITMETIKA
Lebih terperinciSTK 573 Metode Grafik untuk Analisis dan Penyajian Data
STK 573 Metode Grafik untuk Analisis dan Penyajian Data Pertemuan 1 Tim Dosen: Prof. Dr. Khairil Anwar Notodiputro Dr. Ir. Aji Hamim Wigena Dr. Agus M Soleh PENDAHULUAN Pendahuluan Apa R? R adalah implementasi
Lebih terperinciPEMROGRAMAN DALAM R STK372 KOMPUTASI STATISTIK II. Agus Mohamad Soleh
PEMROGRAMAN DALAM R STK372 KOMPUTASI STATISTIK II Agus Mohamad Soleh Ruang Lingkup Materi Pengantar Pemrograman R Fungsi yang Tersedia Pemrograman Berorientasi Objek Pemrograman Grafik Package dalam R
Lebih terperinciList List merupakan objek data yang elemen didalamnya boleh memiliki mode yang berbeda. Perintah-perintah untuk membuat list: list as.
OBJEK S Segala sesuatu dalam S adalah objek. Data, fungsi, operator dll. Setiap objek memiliki mode dan length Objek data --> mode numeric, complex, character, dan logical Objek bahasa --> mode function,
Lebih terperinciMANAJEMEN DATA MENGGUNAKAN R
MANAJEMEN DATA MENGGUNAKAN R STK371 KOMPUTASI STATISTIK I Agus Mohamad Soleh Ruang Lingkup Materi Pengantar Program R Pemasukan Data (Tipe Dasar Objek) Pengelolaan Data (Modifikasi, merging, combining,
Lebih terperinciDASAR-DASAR MATLAB. Seperti bahasa pemrograman lainnnya, MATLAB JUGA memiliki metode dan symbol tersendiri dalam penulisan syntax-nya.
DASAR-DASAR MATLAB Seperti bahasa pemrograman lainnnya, MATLAB JUGA memiliki metode dan symbol tersendiri dalam penulisan syntax-nya. Dalam pemrograman MATLAB dikenal hanya dua tipe data, yaitu Numeric
Lebih terperinciPRAKTIKUM 1. Dasar-Dasar Matlab. (-), perkalian (*), pembagian (/) dan pangkat (^). Simbol ^ digunakan untuk
PRAKTIKUM 1 Dasar-Dasar Matlab 1 Operator Dasar Aritmatika Operator dasar aritmatika antara lain adalah penjumlahan (+), pengurangan (-), perkalian (*), pembagian (/) dan pangkat (^). Simbol ^ digunakan
Lebih terperinciLAPORAN TUGAS PENGANTAR BIG DATA LIBRARY BIGLM & SPEEDGLM DALAM R
LAPORAN TUGAS PENGANTAR BIG DATA LIBRARY BIGLM & SPEEDGLM DALAM R Disusun oleh: Kelompok 10 Anggota: 1. Maulinda 10/305449/PA/13516 2. Paramitha Kurniajati 13/350039/PA/15609 3. Fariz Budi Arafat 13/350108/PA/15620
Lebih terperinciBAGIAN 1 SINTAK DASAR MATLAB
BAGIAN 1 SINTAK DASAR MATLAB Pada bagian 1 ini, akan diuraikan tentang bagaimana mendefinisikan data, operasi data dan teknik mengakses data pada Matlab. Untuk lebih memahami, pembaca sebaiknya mecobanya
Lebih terperinciKATA PENGANTAR. Penulis. Raizal Dzil Wafa M.
i KATA PENGANTAR Buku ini dibuat untuk memudahkan siapa saja yang ingin belajar MATLAB terutama bagi yang baru mengenal MATLAB. Buku ini sangat cocok untuk pemula terutama untuk pelajar yang sedang menempuh
Lebih terperinciPENGANTAR KOMPUTER & SOFTWARE I PENGOLAHAN DATA DENGAN SPREADSHEET
PENGANTAR KOMPUTER & SOFTWARE I PENGOLAHAN DATA DENGAN SPREADSHEET Tim Pengajar KU1102 - Institut Teknologi Sumatera OUTLINE Pengenalan MS Excel Penerapan Fungsi-Fungsi pada Excel Data Filtering Data Validation
Lebih terperinciPRAKTIKUM 1. Dasar-Dasar Matlab. (-), perkalian (*), pembagian (/) dan pangkat (^). Simbol ^ digunakan untuk
PRAKTIKUM 1 Dasar-Dasar Matlab 1 Operator Dasar Aritmatika Operator dasar aritmatika antara lain adalah penjumlahan (+), pengurangan (-), perkalian (*), pembagian (/) dan pangkat (^). Simbol ^ digunakan
Lebih terperinciUJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR
PYTHAGORAS, 6(2): 161-166 Oktober 2017 ISSN Cetak: 2301-5314 UJI RATA-RATA SATU SAMPEL MENGGUNAKAN R UNTUK MENGETAHUI PENGARUH MODEL BELAJAR TERHADAP HASIL BELAJAR MATA KULIAH ANALISIS VEKTOR Hermansah
Lebih terperinciPengantar Pengolahan Data Statistik Menggunakan SPSS 22. Isram Rasal ST, MMSI, MSc
Pengantar Pengolahan Data Statistik Menggunakan SPSS 22 Isram Rasal ST, MMSI, MSc Statistika Statistika Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi,
Lebih terperinciSYNTAX PHP Rumus dan Matematika
SYNTAX PHP Rumus dan Matematika Assalamualaikum. Kali ini saya akan membagikan beberapa syntax untuk Rumus dan Matematika dari bahasa pemrograman PHP. Semua syntax ini saya ambil dari buku Index Lengkap
Lebih terperinciBAB IV ANALISIS IMPLEMENTASI VARIASI MENGAJAR PADA MATA PELAJARAN FIQIH KELAS V DI MIS KERTIJAYAN
BAB IV ANALISIS IMPLEMENTASI VARIASI MENGAJAR PADA MATA PELAJARAN FIQIH KELAS V DI MIS KERTIJAYAN A. Analisis Pendahuluan Analisis pendahuluan merupakan tahap pengelompokan data yang dimasukkan ke dalam
Lebih terperinciBAB XI MENGGUNAKAN FUNGSI DALAM EXCEL
DIKTAT MATA KULIAH SOFTWARE TERAPAN I BAB XI MENGGUNAKAN FUNGSI DALAM EXCEL IF Fungsi dalam Excel Segala jenis operasi sederhana yang hanya melibatkan operator matematika dapat dipecahkan dengan menggunakan
Lebih terperinciPada bahasa pemrograman C++, dapat dibuat program dengan beberapa sub-program sesuai dengan keinginan dengan menggunakan fungsi.
Mengenal Fungsi Header pada Bahasa C++ Pada bahasa pemrograman C++, dapat dibuat program dengan beberapa sub-program sesuai dengan keinginan dengan menggunakan fungsi. iostream.h untuk routing I/O basic
Lebih terperinciPEMANFAATAN SOLVER EXCEL UNTUK OPTIMASI PENJADWALAN MATA PELAJARAN
PEMANFAATAN SOLVER EXCEL UNTUK OPTIMASI PENJADWALAN MATA PELAJARAN Erika Eka Santi Dosen Universitas Muhammadiyah Ponorogo Email : erikapmatumpo@gmail.com ABSTRAK Penyusunan jadwal pelajaran merupakan
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN. Wonopringgo Pekalongan (Variabel X), peneliti menggunakan metode angket yang
40 BAB IV AALISIS HASIL PEELITIA A. Analisis Kompetensi Profesional Guru MTs. Syarif Hidayatullah Wonopringgo Pekalongan Untuk mengetahui kompetensi profesional guru MTs. Syarif Hidayatullah Wonopringgo
Lebih terperinciMODUL PERKULIAHAN. Aplikasi Komputer. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
MODUL PERKULIAHAN Aplikasi Komputer Ms. Excel 2010 Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh Mata Kuliah Ciri Universitas (MKCU) 09 Abstract Modul ini menjelaskan tentang Aplikasi Microsoft
Lebih terperinciPendahuluan. Praktikum Pengantar Pengolahan Citra Digital Departemen Ilmu Komputer Copyright 2008 All Rights Reserved
1 Pengenalan Matlab Pendahuluan Matlab adalah perangkat lunak yang dapat digunakan untuk analisis dan visualisasi data. Matlab didesain untuk mengolah data dengan menggunakan operasi matriks. Matlab juga
Lebih terperinciMODUL MATA KULIAH DATA MINING (MIK 620 SESI 10) DISUSUN OLEH. NOVIANDI, M.Kom NIDN
MODUL MATA KULIAH DATA MINING (MIK 620 SESI 10) DISUSUN OLEH NOVIANDI, M.Kom NIDN. 0318018202 PROGRAM STUDI MANAJEMEN INFORMASI KESEHATAN FAKULTAS ILMU-ILMU KESEHATAN UNIVERSITAS ESA UNGGUL 2018 0 BAB
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 31 Metode Pemilihan Sampel Penelitian ini memiliki tujuan untuk menguji hubungan antara aktiva dan pasiva pada industri manufaktur Oleh karena itu sampel dari penelitian ini
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May TJ (SU) Interval Estimation May / 19
Interval Estimation Tjipto Juwono, Ph.D. May 2017 TJ (SU) Interval Estimation May 2017 1 / 19 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X i
Lebih terperinciPERCOBAAN 1 PENGENALAN MATLAB UNTUK STATISTIK
PERCOBAAN 1 PENGENALAN MATLAB UNTUK STATISTIK 1.1. Tujuan : Setelah melaksanakan praktikum ini mahasiswa diharapkan mampu : Memakai beberapa jenis fungsi khusus di Matlab untuk statistik Membuat pemrograman
Lebih terperinciKitab Kumpulan Tips, Latihan, dan Soal Database
Kitab Kumpulan Tips, Latihan, dan Soal Database Sanksi Pelanggaran Pasal 113 Undang-Undang Nomor 28 Tahun 2014 tentang Hak Cipta 1. Setiap Orang yang dengan tanpa hak melakukan pelanggaran hak ekonomi
Lebih terperinciTUGAS KELOMPOK PENGANTAR BIG DATA
TUGAS KELOMPOK PENGANTAR BIG DATA Analisis Regresi Linear pada Data Keterlambatan Penerbangan Tahun 2008 dengan Menggunakan Package Biglm pada Software R Yogyakarta, 8 Mei 2017 Kelompok 7 Regina Husnun
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 20, TJ (SU) Interval Estimation May / 24
Interval Estimation Tjipto Juwono, Ph.D. May 20, 2015 TJ (SU) Interval Estimation May 2015 1 / 24 Outline 1 Pendahuluan 2 Pengertian Confidence Interval 3 Menghitung t 4 Menyusun Confidence Interval 5
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi adalah analisis yang dilakukan terhadap dua jenis variabel yaitu variabel independen (prediktor) dan variabel dependen (respon). Analisis
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 13, TJ (SU) Interval Estimation May / 17
Interval Estimation Tjipto Juwono, Ph.D. May 13, 2016 TJ (SU) Interval Estimation May 2015 1 / 17 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X
Lebih terperinciRegresi dengan Microsoft Office Excel
Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. (TI-Math), serta Teknik Informatika dan Statistika (TI-Stat) dan pemilihan
BAB 3 METODOLOGI PENELITIAN 3.1 Pengumpulan Data Pada penelitian ini data dikumpulkan dari populasi mahasiswa BINUS University jurusan Teknik Informatika (TI), Teknik Informatika dan Matematika (TI-Math),
Lebih terperinciMEMBUAT DAFTAR NILAI DENGAN MS EXCEL
MEMBUAT DAFTAR NILAI DENGAN MS EXCEL LAY OUT MASUKKAN KEGIATAN-1 Buatlah lay uot masukkan daftar nilai seperti di bawah ini: Pendahuluan Bagi seorang guru mengelola nilai adalah suatu tugas yang wajib
Lebih terperinciSEKILAS JENIS-JENIS OPERATOR OPERATOR PENUGASAN OPERATOR ARITMATIKA OPERATOR MAJEMUK
Pemrograman Dasar SEKILAS JENIS-JENIS OPERATOR OPERATOR PENUGASAN OPERATOR ARITMATIKA OPERATOR MAJEMUK Operator dan Operand Operator merupakan simbol yang biasa dilibatkan dalam program untuk melakukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB 2 LANDASAN TEORI. 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan
BAB 2 LANDASAN TEORI 2.1 Defenisi Analisis Regresi dan Korelasi 1. Analisis Korelasi adalah metode statstika yang digunakan untuk menentukan kuatnya atau derajat hubungan linier antara dua variabel atau
Lebih terperinciBAB IV. adalah menganalisis data mengenai hasil angket tentang keaktifan. pekalongn periode 2014/2015 atau variabel X adalah sebagai berikut :
BAB IV Analisis Pengaruh Keaktifan Berorganisasi Terhadap Produktivitas Penulisan Karya Ilmiah Mahasiswa Anggota LPM AL Mizan STAIN Pekalongan Angkatan 2014/2015 A. Analisis tentang Keaktifan Mahasiswa
Lebih terperinciSOAL-SOAL dan PEMBAHASAN UN MATEMATIKA SMA/MA IPA TAHUN PELAJARAN 2011/2012
SOAL-SOAL dan PEMBAHASAN UN MATEMATIKA SMA/MA IPA TAHUN PELAJARAN 0/0. Akar-akar persamaan kuadrat x +ax - 40 adalah p dan q. Jika p - pq + q 8a, maka nilai a... A. -8 B. -4 C. 4 D. 6 E. 8 BAB III Persamaan
Lebih terperinciANALISIS DATA KELEMBABAN UDARA PROVINSI JAWA TIMUR DENGAN MODEL REGRESI BETA SKRIPSI. Oleh. Riska Setyowati NIM
i ANALISIS DATA KELEMBABAN UDARA PROVINSI JAWA TIMUR DENGAN MODEL REGRESI BETA SKRIPSI Oleh Riska Setyowati NIM 071810101038 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciPerangkat Lunak Untuk Pengolah Data. Nur Edy
Perangkat Lunak Untuk Pengolah Data Nur Edy Outline PERTEMUAN I Definisi Jenis perangkat lunak pengolah angka Fungsi-fungsi Microsoft Excel untuk pengolahan data sederhana Membuat Grafik dengan Mikrosoft
Lebih terperinciBAB IV ANALISIS HASIL PENELITIAN. Satriyan kecamatan Tersono kabupaten Batang. Langkah-langkah yang dilakukan
64 BAB IV AALISIS HASIL PEELITIA Pembahasan tentang analisis data ini mengarah pada penyelesaian permasalahan yang telah diajukan pada Bab I yakni: Bagaimana pengaruh tingkat pendidikan orang tua terhadap
Lebih terperinciKomputasi Statistika dengan Software R
Komputasi Statistika dengan Software R Analisis Korelasi (Sesi 13) Zulhanif Analisis Korelasi Korelasi menyatakan keeratan hubungan antara suatu variabel dengan variabel lainnya. Korelasi dalam populasi
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciPREDIKSI UN 2015 MATEMATIKA IPA Soal D:
NAMA : KELAS : Indikator 1: (Soal Nomor 1) PREDIKSI UN 2015 MATEMATIKA IPA 1. Logika Matematika Diketahui 2 atau 3 Premis, Premis Menggunakan kesetaraan, dan penarikan MP atau MT 1 P r e d i k s i M a
Lebih terperinciMateri 4 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya
Materi 4 DATA MINING 3 SKS Semester 6 S1 Sistem Informasi UNIKOM 2015 Nizar Rabbi Radliya nizar.radliya@yahoo.com Nama Mahasiswa NIM Kelas Kompetensi Dasar Memahami pemrosesan awal data yang akan diproses
Lebih terperinciSATUAN ACARA PERKULIAHAN FAKULTAS PSIKOLOGI UNIVERSITAS GUNADARMA MATA KULIAH : PENGANTAR APLIKASI KOMPUTER 2 KODE MATAKULIAH /SKS = KD
TIU : Agar mahasiswa memahami dan mengerti dasar-dasar Aplikasi Komputer dalam kaitannya dengan proses belajar dan menerapkannya dalam peningkatan proses belajar. 1 Penjelasan materi kuliah yang akan diberikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 21 Kemiskinan Definisi tentang kemiskinan telah mengalami perluasan, seiring dengan semakin kompleksnya faktor penyebab, indikator, maupun permasalahan lain yang melingkupinya Kemiskinan
Lebih terperinciDATA MINING. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 4 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2015 Pre-Processing Agregasi (aggregation) Penarikan contoh (sampling)
Lebih terperinciAnalisis Pengaruh Nilai Ujian Masuk terhadap Indeks Prestasi Mahasiswa
Analisis Pengaruh Nilai Ujian Masuk terhadap Indeks Prestasi Mahasiswa Hilda Widyastuti Politeknik Batam Program Studi Teknik Informatika Parkway Street, Batam Center, Batam 29461, Indonesia E-mail: hilda@polibatam.ac.id
Lebih terperinciSATUAN ACARA PERKULIAHAN FAKULTAS PSIKOLOGI UNIVERSITAS GUNADARMA MATA KULIAH : PENGANTAR APLIKASI KOMPUTER 2 KODE MATAKULIAH /SKS = AK / 2SKS
TIU : Agar mahasiswa memahami dan mengerti dasar-dasar Aplikasi Komputer dalam kaitannya dengan proses belajar dan menerapkannya dalam peningkatan proses belajar. Minggu 1 Penjelasan materi kuliah yang
Lebih terperinciAPLIKASI PERKANTORAN MICROSOFT EXCEL Oleh : Ahmad Rudini, S.Kom
APLIKASI PERKANTORAN MICROSOFT EXCEL Oleh : Ahmad Rudini, S.Kom Merupakan software pengolah angka yang dapat digunakan untuk membuat operasi hitung, laporan keuangan, pembuatan grafik, dan lain-lain. Adapun
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan suatu metode dalam statistik yang popular, karena banyak digunakan pada penelitian dalam berbagai bidang. Contoh dari penggunaan
Lebih terperinciINTEGRASI Matematika Industri I
INTEGRASI TIP FTP UB Pokok Bahasan Pendahuluan Fungsi dari suatu fungsi linear Integral berbentuk Integrasi hasilkali Integrasi per bagian Integrasi dengan pecahan parsial Integrasi fungsi-fungsi trigonometris
Lebih terperinciResume Regresi Linear dan Korelasi
Rendy Dwi Ardiansyah Putra 7410040018 / 2 D4 IT A Statistika Resume Regresi Linear dan Korelasi 1. Regresi Linear Regresi linear merupakan suatu metode analisis statistik yang mempelajari pola hubungan
Lebih terperinciLAPORAN STATISTIK ELEMENTER UJI ANALISIS VARIAN SATU ARAH (ANOVA) Dosen pengampu Dr. Sri Harini, M.Si. Oleh Nurul Anggraeni Hidayati NIM.
LAPORAN STATISTIK ELEMENTER UJI ANALISIS VARIAN SATU ARAH (ANOVA) Dosen pengampu Dr. Sri Harini, M.Si Oleh Nurul Anggraeni Hidayati NIM. 14610002 JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS
Lebih terperinciMICROSOFT OFFICE EXCEL 2007
MICROSOFT OFFICE EXCEL 2007 MENGENAL JENDELA MICROSOFT EXCEL Menu Judul Toolbox Office Button Rumus Cell Pointer Menu Command Workbook ELEMEN/ITEM Icon sistem Menu Title bar Menu bar Toolbar Kotak indikator
Lebih terperinciBAB 3 Pengenalan Open Office Calc
19 BAB 3 Pengenalan Open Office Calc TUJUAN PRAKTIKUM 1. Praktikan mengetahui dasar Open Office Calc 2. Praktikan mengetahui fungsi dan komponen Open Office Calc TEORI PENUNJANG Open Office Calc merupakan
Lebih terperincidbase mengenal dua jenis variabel memori, yaitu private dan public. Variabel memori dapat pula mempunyai jenis Karakter, Numerik, Tanggal atau Logika
Pendahuluan dbase IV dbase adalah salah satu program yang dapat berfungsi sebagai paket program database dan dapat berfungsi sebagai bahasa pemograman. Pada dbase mengenal 5 jenis data, yaitu : 1. Data
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis data survival yaitu kumpulan dari beberapa metode untuk menganalisis data yang terjadi dari titik asal sampai terjadinya event. Pada analisis survival terdapat
Lebih terperinciBAB IV ANALISIS DATA. A. Analisis Kegiatan Ekstrakurikuler BTQ di SMK Muhammadiyah Kesesi
60 BAB IV AALISIS DATA A. Analisis Kegiatan Ekstrakurikuler BTQ di SMK Muhammadiyah Kesesi Dalam analisis ini disajikan data tentang kegiatan ekstrakurikuler BTQ di SMK Muhammadiyah Kesesi. Untuk data
Lebih terperinciBAB VI ANALISIS REGRESI LINEAR GANDA
BAB VI ANALISIS REGRESI LINEAR GANDA 1. Pendahuluan Analisis regresi merupakan suatu analisis antara dua variabel yaitu variabel independen (Prediktor) yaitu variabel X dan variabel dependent (Respon)
Lebih terperinciBAB IV APLIKASI JARAK MAHALANOBIS
BAB IV Aplikasi Jarak Mahalanobis 42 BAB IV APLIKASI JARAK MAHALANOBIS 4.1 Pendeteksian Outlier k Teknologi pendeteksian outlier dengan menggunakan jarak Mahalanobis merupakan teknologi paling awal dalam
Lebih terperinciBABAK PENYISIHAN SELEKSI TINGKAT PROVINSI BIDANG KOMPETISI
BABAK PENYISIHAN SELEKSI TINGKAT PROVINSI BIDANG KOMPETISI TIPE A Olimpiade Sains Nasional Pertamina 2012 Petunjuk : 1. Tuliskan secara lengkap Nama, Nomor Ujian dan data lainnya pada Lembar Jawab Komputer
Lebih terperinciPREDIKSI UN 2014 MATEMATIKA IPA
NAMA : KELAS : 1. Kisi-Kisi: Logika Matematika Diketahui 3 Premis, Premis Menggunakan kesetaraan, dan penarikan MP atau MT PREDIKSI UN 2014 MATEMATIKA IPA 3. Kisi-Kisi: Materi Ekponen Éksponen pecahan,3
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciPengertian Query. Query adalah perintah-perintah untuk mengakses data pada sistem basis data
Kompetensi Dasar Setelah mengikuti kegiatan proses belajar mengenai Pengenalan SQL, mahasiswa dapat mendefinisikan dan memanipulasi sistem basis data menggunakan bahasa SQL dengan tepat Tujuan Pembelajaran
Lebih terperinciBab 3. Perancangan Sistem
34 Bab 3 Perancangan Sistem 3.1 Gambaran Umum Sistem Aplikasi yang kami namakan Voice Protect ini, mempunyai alur program sebagai berikut: Start Enkripsi Dekripsi Pilih File Buka file enkripsi Rekam Suara
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Analisis Jalur Analisis jalur dalam penelitian ini digunakan dalam meneliti interaksi pengaruh secara langsung dan secara tidak langsung data bahan baku (X 1 ), data promosi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Cabang ilmu statistika dewasa ini semakin mengalami perkembangan yang pesat diikuti dengan arus berbagai permasalahan dunia yang kompleks bermunculan.
Lebih terperinciPETUNJUK UMUM PETUNJUK KHUSUS
LEMBAR SOAL PERSIAPAN UJIAN NASIONAL SMA/MA Tahun Ajaran 00/009 MATEMATIKA Program Studi IPA (Berdasarkan Lampiran Permendiknas No.77 Tahun 00) Try Out UN Matematika IPA SMA/MA - Esis PETUNJUK UMUM. Tuliskan
Lebih terperinciPAKET 4 LATIHAN UJIAN NASIONAL SMA/MA TAHUN 2009 MATA PELAJARAN MATEMATIKA
Kumpulan Soal - Soal Latihan UN Matematika IPA SMA dan MA 009. (Suprayitno) 49 PAKET 4 LATIHAN UJIAN NASIONAL SMA/MA TAHUN 009 MATA PELAJARAN MATEMATIKA PETUNJUK UMUM. Kerjakan semua soal - soal ini menurut
Lebih terperinciPERTEMUAN Relasi dan Fungsi
4-1 PERTEMUAN 4 Nama Mata Kuliah : Matematika Diskrit (3 SKS) Nama Dosen Pengampu : Dr. Suparman E-mail : matdis@netcourrier.com HP : 081328201198 Judul Pokok Bahasan Tujuan Pembelajaran : 4. Relasi dan
Lebih terperinciFUNGSI. Berdasarkan hubungan antara variabel bebas dan terikat, fungsi dibedakan dua: fungsi eksplisit dan fungsi implisit.
FUNGSI Fungsi merupakan hubungan antara dua variabel atau lebih. Variabel dibedakan :. Variabel bebas yaitu variabel yang besarannya dpt ditentukan sembarang, mis:,, 6, 0 dll.. Variabel terikat yaitu variabel
Lebih terperinciPERSIAPAN TES SKL KELAS X, MATEMATIKA IPS Page 1
PERSIAPAN TES SKL X, MATEMATIKA 1. Pangkat, Akar dan Logaritma Menentukan hasil operasi bentuk pangkat (1 6) Menentukan hasil operasi bentuk akar (7 11) Menentukan hasil operasi bentuk logarithma (12 15)
Lebih terperinci2016 SRIWIJ MODUL PRAKTIKUM ALJABAR LINIER PENDIDIKAN MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN 2016 SRIWIJAYA
2016 SRIWIJ MODUL PRAKTIKUM ALJABAR LINIER PENDIDIKAN MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN 2016 SRIWIJAYA KATA PENGANTAR Assalamu alaikum warahmatullahi wabarakatuh Puji syukur kehadirat Allah
Lebih terperinciFunction, Array & Object in JavaScript
Function, Array & Object in JavaScript By : U. Abd. Rohim Web site : http://www.abdrohim.com Mailto : Function, Array, Object 1 Apa itu Function? Function adalah sub program yang mengerjakan suatu tugas
Lebih terperinciB21 MATEMATIKA. Pak Anang MATEMATIKA SMA/MA IPA. Rabu, 18 April 2012 ( )
B Pak Anang http://pak-anang.blogspot.com MATEMATIKA Rabu, 8 April 0 (08.00 0.00) A-MAT-ZD-M8-0/0 Mata Pelajaran Jenjang Program Studi Hari/Tanggal Jam MATA PELAJARAN : MATEMATIKA : SMA/MA : IPA WAKTU
Lebih terperinciUji statistik multivariat digunakan untuk menguji
132 PEMANFAATAN SPSS DALAM PENELITIAN BIDANG KESEHATAN & UMUM PEMANFAATAN SPSS DALAM PENELITIAN BIDANG KESEHATAN & UMUM 133 BAB 6 ANALISIS MULTIVARIAT Uji statistik multivariat digunakan untuk menguji
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman, perusahaanperusahaan dan sekolah ataupun universitas yang ada di Indonesia juga mengalami perkembangan. Hal ini dialami oleh perusahaan
Lebih terperinciSOAL DAN PEMBAHASAN UN MATEMATIKA SMK TEKNOLOGI, KESEHATAN DAN PERTANIAN TAHUN 2013 (Paket 13)
SOAL DAN PEMBAHASAN UN MATEMATIKA SMK TEKNOLOGI, KESEHATAN DAN PERTANIAN TAHUN 2013 (Paket 13) Jawab: Perbandingan/Skala Jarak sebenarnya : 4.000.000 x 15 cm 60.000.000 cm 600.000 m 600 km ( 1 km 1000
Lebih terperinciTRY OUT UJIAN NASIONAL TAH SMA/MA PROGRAM STUDI IPA MATEMATIKA
DOKUMEN SEKOLAH MATEMATIKA SMA/MA IPA PAKET NAMA : NO.PESERTA : TRY OUT UJIAN NASIONAL TAH TAHUN UN PELAJARAN 0/0 SMA/MA PROGRAM STUDI IPA MATEMATIKA PUSPENDIK SMAYANI SMA ISLAM AHMAD YANI BATANG 0 TRY
Lebih terperinciTRY OUT UJIAN NASIONAL TAH SMA/MA PROGRAM STUDI IPA MATEMATIKA
DOKUMEN SEKOLAH MATEMATIKA SMA/MA IPA PAKET NAMA : NO.PESERTA : TRY OUT UJIAN NASIONAL TAH TAHUN UN PELAJARAN 0/0 SMA/MA PROGRAM STUDI IPA MATEMATIKA PUSPENDIK SMAYANI SMA ISLAM AHMAD YANI BATANG 0 TRY
Lebih terperinciPREDIKSI UAN MATEMATIKA 2008 Oleh: Heribertus Heri Istiyanto, S.Si Blog:
PREDIKSI UAN MATEMATIKA 2008 Oleh: Heribertus Heri Istiyanto, S.Si Email: sebelasseptember@yahoo.com Blog: http://istiyanto.com Berikut soal-soal yang dapat Anda gunakan untuk latihan dalam menghadapi
Lebih terperinciMatematika EBTANAS Tahun 2003
Matematika EBTANAS Tahun EBT-SMA-- Persamaan kuadrat (k + )x (k ) x + k = mempunyai akar-akar nyata dan sama. Jumlah kedua akar persamaan tersebut adalah EBT-SMA-- Jika akar-akar persamaan kuadrat x +
Lebih terperinciSUBSAMPLE IN BIG DATA BASED SOME METHOD
SUBSAMPLE IN BIG DATA BASED SOME METHOD (LEVERAGE, MEAN OF LOG LIKELIHOOD, BUGS OF LITTLE BOOTSTRAPS (BLB)) TUGAS PENGANTAR BIG DATA Dosen Pengampu : Danang Akbar Riyano Farah Adibah M Dr.Danardono, MPH
Lebih terperinciModul 3: Regresi Linier untuk Persamaan Garis Lurus dan Kuadratis
Modul 3: Regresi Linier untuk Persamaan Garis Lurus dan Kuadratis A. Pendahuluan Regresi Linier dan Metode Kuadrat Terkecil Istilah atau pengertian regresi (yang berarti: prediksi atau taksiran) pertama
Lebih terperinciMATEMATIKA DASAR TAHUN 1987
MATEMATIKA DASAR TAHUN 987 MD-87-0 Garis singgung pada kurva y di titik potong nya dengan sumbu yang absisnya positif mempunyai gradien 0 MD-87-0 Titik potong garis y + dengan parabola y + ialah P (5,
Lebih terperinciBAB IV ANALISIS PENGARUH VARIASI PEMBELAJARAN PENDIDIKAN AGAMA ISLAM TERHADAP HASIL BELAJAR SISWA SMP NEGERI 3 PEKALONGAN
BAB IV ANALISIS PENGARUH VARIASI PEMBELAJARAN PENDIDIKAN AGAMA ISLAM TERHADAP HASIL BELAJAR SISWA SMP NEGERI 3 PEKALONGAN A. Analisis Variasi Pembelajaran Pendidikan Agama Islam SMP Negeri 3 Pekalongan
Lebih terperinciMODUL PRAKTIKUM 7. Petunjuk: 1. Aktifkan Microsoft Access. 2. Buka file database Apl_Rentcar_3(A/B/C/D)XXX. 3. Kerjakan hal-hal berikut di bawah ini.
MODUL PRAKTIKUM 7 Kode Mata Kuliah : MKB-36422 Nama Mata Kuliah : Komputer Terapan 3 Semester : 3 (Tiga) Program Studi : D4 Akuntansi Manajerial Jurusan : Akuntansi PNB Petunjuk: 1. Aktifkan Microsoft
Lebih terperinciDATA MINING. Pertemuan 3. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi
DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 3 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2015 Definisi Set Data Set Data / Data Set / Himpunan Data Kumpulan
Lebih terperinciTRY OUT MATEMATIKA PAKET 3B TAHUN 2010
. Perhatikan argumen berikut ini. p q. q r. r ~ s TRY OUT MATEMATIKA PAKET B TAHUN 00 Negasi kesimpulan yang sah dari argumen di atas adalah... A. p ~s B. p s C. p ~s D. p ~s E. p s. Diketahui npersamaan
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciPengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier
JURNAL TEKNIK ITS Vol. 1, (Sept, 01) ISSN: 301-971 A-46 Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier Ahmad Yusuf, Hari Ginardi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi merupakan komponen penting dalam menggambarkan hubungan antara dua variabel atau lebih, sehingga salah satu variabel dapat diduga
Lebih terperinciSTK 573 Metode Grafik untuk Analisis dan Penyajian Data
STK 573 Metode Grafik untuk Analisis dan Penyajian Data Pertemuan 1 Tim Dosen: Prof. Dr. Khairil Anwar Notodiputro Dr. Ir. Aji Hamim Wigena Dr. Agus M Soleh PENDAHULUAN Pendahuluan Apa R? R adalah implementasi
Lebih terperinciBentuk Fungsional Regresi Linear (Aplikasi Model dengan Program SPSS)
Bentuk Fungsional Regresi Linear (Aplikasi Model dengan Program SPSS) Author: Junaidi Junaidi 1. Pengantar Pengertian model regresi linear bukanlah model yang linear dalam paramater dan variabel, tetapi
Lebih terperinciBAB II OPERASI DASAR MAPLE
BAB II OPERASI DASAR MAPLE 7 BAB II OPERASI DASAR MAPLE.1. Fungsi Maple mempunyai library fungsi yang sangat besar. Secara sintak, fungsi adalah tipe ekspresi. Fungsi-fungsi mempunyai nama dengan nol atau
Lebih terperinciRENCANA PEMBELAJARAN
FRM/KUL/01/ Written by Checked by Approved by valid date Leon Andretti Abdillah, S.Kom.,MM Merry Agustina, M.M.,M.Kom M.Izman Herdiansyah, ST., MM., Ph.D Mata Kuliah : Praktikum Basis Data Semester :1
Lebih terperinci