BAB 4 HASIL DAN PEMBAHASAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 4 HASIL DAN PEMBAHASAN"

Transkripsi

1 56 BAB 4 HASIL DAN PEMBAHASAN 4. Ekstraks Hasl Pegumpula Data 4.. Data Kedataga Customer pada J.CO Douts ad Coffee Mal Tama Aggrek Data kedataga jumlah pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek dkumpulka dega mecatat bayakya jumlah pelagga yag memasuk sstem fasltas layaa frachse tersebut utuk membel doat. Pecatata dlakuka pada waktu dmaa sstem fasltas layaa tersebut dalam keadaa yag lumaya rama. Iformas bayakya pelagga yag datag pada waktu tertetu d dapat dar hasl brastormg da wawacara dega Maajer frachse setempat. Pegamata dlakuka selama bula Aprl. Berkut pada Tabel 4. dtamplka ekstraks pegumpula data kedataga pelagga selama pegamata yag dmula dar taggal Aprl 007 sampa dega 7 Aprl 007. Pegamata dlakuka mewakl semua har yag ada mula dar har se sampa mggu.

2 57 Tabel 4. Ekstraks Data Kedataga Pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek Har / Taggal Se /04/007 Selasa 3/04/007 Kams 5/04/007 Sabtu 7/04/007 Mggu 8/04/007 Iterval Jumlah Kedataga

3 58 Tabel 4. Ekstraks Data Kedataga Pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek (lajuta) Har / Taggal Rabu /04/007 Kams /04/007 Jumat 3/04/007 Se 6/04/007 Selasa 8/04/007 Iterval Jumlah Kedataga

4 59 Tabel 4. Ekstraks Data Kedataga Pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek (lajuta) Har / Taggal Sabtu /04/007 Mggu /04/007 Rabu 5/04/007 Jumat 7/04/007 Iterval Jumlah Kedataga Sumber : Hasl Pegamata Berkut pada tabel 4. adalah merupaka ragkuma total data jumlah kedataga pelagga selama pegamata. Data total jumlah kedataga utuk melhat apakah tgkat kedataga ada perbedaa sgfka utuk pegamata terhadap waktu yag dlakuka.

5 60 Tabel 4. Data Total Jumlah Kedataga Pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek Har Taggal Jumlah Total Kedataga (orag) Se Aprl Selasa 3 Aprl Kams 5 Aprl Sabtu 7 Aprl Mggu 8 Aprl Rabu Aprl Kams Aprl Jumat 3 Aprl Se 6 Aprl Selasa 8 Aprl Sabtu Aprl Mggu Aprl Rabu 5 Aprl Jumat 7 Aprl Sumber : Hasl Pegamata Jumlah Kedataga per Har 0 J u m l a h K e d a t a g a Taggal Gambar 4. Grafk Jumlah Kedataga Pelagga pada J.CO d Bula Aprl Sumber : Hasl Plot Data Kedataga

6 6 Dar gambar d atas, dapat dlhat bahwa data jumlah kedataga pelagga merupaka jes data yag statoer (medekat rata-rata). Hal bsa terjad karea pegamata memag dlakuka haya pada waktu keadaa sstem rama. Dapat dlhat juga bahwa tggya kedataga jumlah kedataga umumya terjad pada keadaa medekat weeked yatu har jumat, sabtu, da mggu. Jumlah kedataga pada keadaa rama basaya dkeal dega stlah peak-tme, sedagka pada kedaaa stadar da sep dsebut sebaga off peak-tme. Yag mejad pusat perhata bag peuls adalah pada keadaa peak-tme tersebut karea pada saat lah masalah atra tu yag tmbul Tgkat Ketelta Pegumpula Data pada J.CO Douts & Coffee Corporato Tgkat ketelta dhtug utuk meetuka seberapa besar peympaga yag terjad terhadap data yag telah dkumpulka. Meurut Srtomo Wgjosoebroto (995, pp84-85) meyataka persamaa berkut utuk meetapka jumlah data yag damat. Z N' / s N

7 6 Dmaa: N = Jumlah pegamata mmum yag dbutuhka Z / = Nla Z dmaa d sebelah kaaya terdapat luas α/ s = Tgkat ketelta N = Jumlah pegamata sekarag Dega megasumska N sama dega N utuk meetuka la tgkat ketelta data yag dkumpulka, persamaa d atas dapat duraka mejad: s Z /. N X N X X Nla tgkat ketelta s dlhat apakah la yag dhaslka tdak melebh dar la (taraf yata) utuk tgkat kepercayaa yag kta harapka. Hal haya utuk meujukka bahwa pegamata yag telah kta lakuka cukup memeuh syarat ketelta yag dtetapka.

8 Peguja Dstrbus Data Kedataga Pelagga pada J.CO Douts & Coffee Corporato Peguja dstrbus data kedataga dlakuka utuk megetahu apakah pola data kedataga tersebut megkut suatu dstrbus teortk tertetu sehgga bsa dketahu sstem atra apa yag sesua dega perhtuga aalsa betuk atra yag ada. Meurut Whte et al. (975, p98), ada 3 tga lagkah dasar utuk meetuka suatu dstrbus tertetu yag mash belum dketahu secara teorts yatu data collecto, parameter estmato, ad goodess of ft test.. Data Collecto Berkut merupaka ragkuma data jumlah kedataga da frekues utuk masg-masg jumlah kedataga selama pegamata yag dlakuka. Tabel 4.3 Ragkuma Data Kedataga pada J.CO Douts & Coffee Corporato Jumlah Kedataga Frekues Probabltas

9 64 Tabel 4.3 Ragkuma Data Kedataga pada J.CO Douts & Coffee Corporato (lajuta) Jumlah Kedataga Frekues Probabltas Total Sumber : Hasl Ragkuma Data Kedataga. Parameter Estmato Estmas parameter dguaka utuk meetuka la-la parameter data kedataga sesua dega dstrbus yag telah dhpotesska. Dalam perhtuga, peuls megguaka metode Mamum Lkelhood Estmator (MLE) karea peelta ddasarka pada pegamata populas yag bebas (berbeda) sehgga meghaslka

10 65 sampel yag berbeda, dmaa jumlah kedataga populas orag yag datag berbeda setap har, meurut Whte et al. (975, p36). Tabel 4.4 Perhtuga Paremeter Data Kedataga pada J.CO Douts Jumlah Kedataga (m ) & Coffee Corporato Frekues (f ) mf m f Total Sumber : Hasl Perhtuga Parameter Data Kedataga

11 66 Berkut perhtuga Mea da Varace sampel data yatu : f m k (8.6) 5664 f m s k Meurut Whte et al. (975, p38-39), MLE utuk parameter λ Dstrbus Posso : Probablty Mass Fucto:! ) ( e P Lkelhood Fucto: e f f f f l 3! ) (... ) ( ) ( ) ( Logarthmc Lkelhood Fucto: l L l l l Mamum Lkelhood Estmator: 0 L ˆ ˆ (Rata-rata Kedataga)

12 67 3. Goodess of Ft Test Whte et al. (975, p338) megemukaka bahwa haya satu jes uj kebaka sua yag perlu dlakuka da sebakya megguaka Kolmogorov-Smrov Test karea secara statstk terbukt lebh bak da akurat darpada Ch-Square Test. Oleh karea tu, utuk melakuka uj kebaka sua tersebut, peuls haya megguaka Kolmogorov- Smrov Test. Tabel 4.5 Perhtuga Kolmogorov-Smrov Test utuk Data Kedataga Jumlah Kedataga pada J.CO Douts & Coffee Corporato Probabltas Kumulatf Sampel S () Dstrbus Kumulatf Hpotess F() Posso F( ) - S ( ) Posso

13 68 Tabel 4.5 Perhtuga Kolmogorov-Smrov Test utuk Data Kedataga pada J.CO Douts & Coffee Corporato (lajuta) Jumlah Kedataga Probabltas Kumulatf Sampel S () Dstrbus Kumulatf Hpotess F() F( ) - S ( ) Posso Posso D ma Sumber : Hasl Perhtuga Kolmogorov-Smrov Test Dega megguaka la taraf yata sebesar 0.05, maka dar tabel la krts D dapat dketahu sebaga berkut: D D 0,05 70, ,655 Posso: D ma < Kesmpula: D 0,3009 < 0,655 Oleh karea la D ma lebh kecl dar la D (Dtabel), maka dapat dsmpulka bahwa data kedataga pelagga pada J.CO Douts & Coffee Corporato berdstrbus Posso.

14 69 Berkut adalah cara utuk medapatka Dstrbus Kumulatf Hpotess :. Masukka Fucto Posso pada tabel perhtuga Mcrosoft Ecel da mucul tabel berkut : Gambar 4. Lagkah Perhtuga Dstrbus Posso d Ecel Sumber : Hasl Perhtuga d Mcrosoft Ecel. Masukka la yatu jumlah kedataga (agka kejada), mea yatu rata-rata, da cumulatve d s True or False karea la yag g dhtug adalah dstrbus kumulatf maka ds True. Gambar 4.3 Lagkah Perhtuga Dstrbus Posso d Ecel Sumber : Hasl Perhtuga d Mcrosoft Ecel

15 70 Berkut dsajka pula hasl peguja data jumlah kedataga yag dapat dlhat pada data d Tabel 4., dega megguaka software SPSS.0 utuk medukug hasl peguja Goodess of Ft Test secara maual. Tabel 4.6 Oe-Sample Kolmogorov-Smrov Test Data Kedataga N 70 Posso Mea Parameter(a,b) Most Etreme Dffereces a Test dstrbuto s Posso. b Calculated from data. Sumber : Hasl Peguja Data Kedataga d SPSS Berdasarka hasl perhtuga dega megguaka SPSS.0 meujukka bahwa data berdstrbus Posso, hal dapat dketahu yatu dega cara membadgka la sgfkas (Asymp.Sg.) dega la taraf yata yag telah peuls tetuka yatu Absolute.30 Postve.7 Negatve -.30 Kolmogorov-Smrov Z.088 Asymp. Sg. (-taled).87 Dmaa la : Asymp. Sg. > Taraf Nyata Posso: 0,87 > 0,05 Kesmpula : Meurut Ad dkk. (004, p68), Karea la sgfkas lebh besar dar la taraf yata pada peguja dstrbus Posso, maka dapat dsmpulka bahwa data kedataga pelagga adalah berdstrbus Posso.

16 7 4.. Data Customer pada J.CO Douts ad Coffee Mal Tama Aggrek Data pelayaa pelagga pada J.CO Douts ad Coffee Mal Tama Aggrek dkumpulka dega mecatat waktu pelayaa utuk tap pelagga dalam medapatka pelayaa selama d dalam sstem. dalam J.CO memlk jes pelayaa yatu pelayaa selama memlh da meetuka jes doat yag mau d bel, da pelayaa selama meuggu pembayara ke kasr Peguja Dstrbus Data Pemlha Doat pada J.CO Douts ad Coffee Corporato. Data Collecto Berkut merupaka ragkuma data perhtuga waktu pelayaa pelagga dalam waktu pemlha doat yag dapat dlhat pada Tabel 4.7. Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) Frekues (f ) J.CO Douts & Coffee Corporato mf m f (m ) Frekues (f ) mf m f

17 7 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

18 73 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

19 74 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

20 75 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

21 76 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

22 77 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f

23 78 Tabel 4.7 Ragkuma Perhtuga Data Pemlha Doat pada (m ) J.CO Douts & Coffee Corporato (lajuta) Frekues (f ) mf m f (m ) Frekues (f ) mf m f Total Sumber : Hasl Perhtuga Data Berkut adalah perhtuga tgkat ketlta pegumpula data pelayaa pada pemlha doat : s Z /. N X N X X s, (38.3) 78(38.3) s = 0,043 = 4,3% Dega demka, dapat dsmpulka bahwa sekurag-kuragya 95% dar data pelayaa d baga pemlha doat yag telah dkumpulka tdak aka memlk peympaga lebh dar 4,3%.

24 79. Parameter Estmato Berkut adalah perhtuga Mea da Varace sampel data : k m f s k m f (.75) 78.9 Percet Percet Pemlha Doat Probablty Plot for Pemlha Doat Normal - 95% C I Webull - 95% C I Percet Percet Pemlha Doat Epoetal - 95% CI Gamma - 95% C I Goodess of Ft Test Normal A D = P-V alue < Epoetal A D = P-V alue < Webull A D =.9 P-V alue < 0.00 Gamma A D = 0.59 P-V alue < Pemlha Doat Pemlha Doat Gambar 4.4 Probablty Plot utuk Pemlha Doat Sumber : Hasl Pegolaha Data Mtab Gambar 4.4 merupaka hasl peguja dstrbus dega megguaka MINITAB 4., dmaa peguja dlakuka utuk dstrbus Normal, Epoetal,Webull, da Gamma. Meurut Irawa dkk. (006, p436), karea la AD (Aderso Darlg) dstrbus Gamma

25 80 adalah la yag palg kecl yatu 0.59, maka dapat dsmpulka bahwa data waktu pelayaa berdstrbus Gamma. Jad Mea utuk dstrbus Gamma : = orag / met (Rata-rata ), sehgga dalam waktu jam rata-rata orag yag dapat dlaya adalah orag / jam Peguja Dstrbus Data d Kasr pada J.CO Douts ad Coffee Corporato. Data Collecto Berkut merupaka ragkuma data perhtuga waktu pelayaa pelagga dalam waktu pemlha doat yag dapat dlhat pada Tabel 4.8. Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato mf m f (m ) Frekues (f ) mf m f

26 8 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

27 8 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

28 83 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

29 84 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

30 85 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

31 86 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f

32 87 Tabel 4.8 Ragkuma Perhtuga Data d Kasr pada J.CO (m ) Frekues (f ) Douts & Coffee Corporato (lajuta) mf m f (m ) Frekues (f ) mf m f Total Sumber : Hasl Perhtuga Data

33 88 Berkut adalah perhtuga tgkat ketlta pegumpula data pelayaa pada pemlha doat : s Z /. N X N X X s, (479.0) 78(479.0) s = 0,04 = 4,% Dega demka, dapat dsmpulka bahwa sekurag-kuragya 95% dar data waktu pelayaa d baga kasr yag telah dkumpulka tdak aka memlk peympaga lebh dar 4,%.. Parameter Estmato Berkut adalah perhtuga Mea da Varace sampel data : k m f s k m f (.94) 78.3

34 89 P e rcet P er ce t Probablty Plot for Kasr N ormal - 95% C I 0 5 Kasr Webull - 95% C I P e rcet P er ce t Kasr E poetal - 95% C I G am ma - 95% C I Goodess of Ft Test N ormal A D = P -V alue < Epoetal A D = P -V alue < Webull A D = 0.97 P -V alue < 0.00 G amm a A D = 8.4 P -V alue < Kasr Kasr Gambar 4.5 Probablty Plot utuk d Kasr Sumber : Hasl Pegolaha Data Mtab Gambar 4.5 merupaka hasl peguja dstrbus dega megguaka MINITAB 4., dmaa peguja dlakuka utuk dstrbus Normal, Epoetal,Webull, da Gamma. Meurut Irawa dkk. (006, p436), karea la AD (Aderso Darlg) dstrbus Gamma adalah la yag palg kecl yatu 8.4, maka dapat dsmpulka bahwa data waktu pelayaa berdstrbus Gamma. Jad Mea utuk dstrbus Gamma : = orag / met (Rata-rata ), sehgga dalam waktu jam rata-rata orag yag dapat dlaya adalah orag / jam.

35 90 4. Pegolaha Data Berdasarka hasl peguja data kedataga da data waktu pelayaa yag dlakuka pada sstem atra d J.CO, model sstem atra yag sedag berjala buka merupaka model atra yag memlk servce tme yatu Geeral Servce maupu Costat (Determstc). Hal dapat dlhat dar peguja waktu pelayaa yag ddapatka adalah berdstrbus gamma. Berdasarka peelta yag dlakuka, sstem pelayaa yag terdapat d J.CO memlk dua buah sub-sstem pelayaa, yatu pelayaa utuk memlh jes doat da pelayaa selama d baga kasr utuk melakuka pembayara. Dar peelta, peuls melhat ada suatu keuka yatu berupa pelayaa yag dapat dlakuka secara bertahap (memlk fase-fase) khususya dalam sub-sstem yatu subsstem dalam pelayaa pemlha doat, kemuda baru memasuk sub-sstem yatu sub-sstem kasr. 4.. Dferesas Dstrbus Gamma Meurut pegamata yag dlakuka adaya fase-fase dalam memberka pelayaa utuk sub-sstem da fase yag haya memlk satu tahap pada sub-sstem. Meurut Harrs et.al (998, p8), hal megdetfkaska adaya suatu model atra yag betuk waktu pelayaa adalah erlag da ekspoesal.

36 9 Meurut Whte et al. (975, p34) Dstrbus Gamma adalah duk dar Dstrbus Ekspoesal da Dstrbus Erlag, dmaa kedua dstrbus merupaka kasus khusus da peurua dar Dstrbus Gamma. Probablty desty fucto Dstrbus Gamma : / ) ( ) ( e f, ( 0,, 0 < < ) Dmaa : ) ( ) (! Peurua Dstrbus Ekspoesal : Probablty desty fucto Dstrbus Gamma : / ) ( ) ( e f, ( 0,, 0 < < ) Dmaa : ) ( ) (! = k, utuk Ekspoesal memlk haya fase sehgga k = = k Sehgga, Probablty desty fucto Dstrbus Ekspoesal dapat dturuka : / ) ( ) ( e f k e k f / )! ( ) ( = k = (Ekspoesal)

37 9 k e k f / )! ( ) ( k e k f ) ( e f ) ( (Probablty desty fucto Dstrbus Ekspoesal) Peurua Dstrbus Erlag : Probablty desty fucto Dstrbus Gamma : / ) ( ) ( e f, ( 0,, 0 < < ) Dmaa : ) ( ) (! = k, utuk Erlag memlk lebh dar fase sehgga k > = k Sehgga, Probablty desty fucto Dstrbus Erlag dapat dturuka : / ) ( ) ( e f k e k f / )! ( ) ( = k > (Erlag) k k k e k k f! ) ( (Probablty desty fucto Dstrbus Erlag)

38 Model Atra Sub-Sstem ( Pemlha Doat) 4... Skearo Model Pertama Model pertama pada sub-sstem dmodelka sebaga (M/E k // / ), dega k = yatu jka fase yag dmlk haya. Asums dasar :. Setap fase memlk seorag server yag melaya pelagga.. Rata-rata waktu pelayaa yag terdapat pada setap fase adalah sama. Berkut adalah perhtuga karakterstk operasoal sebaga pegukura keefektfa dar sstem atra: Dketahu : λ = 8.6 orag / jam =.75 orag / met = 34.9 orag / jam. Wq = k k ( ), dmaa Wq = ( ) Wq = 34.9( 0.535) Wq = jam (.99 met ). Lq = Wq Lq = 8.6 orag / jam jam Lq = orag

39 94 3. Ws = Wq + Ws = jam Ws = jam ( met ) 4. Ls = Lq + Ls = Ls =.387 orag Berkut Gambar 4.6 dsajka juga perhtuga dega megguaka software QM (Quattatve Methods).0 : Gambar 4.6 Hasl Perhtuga Model Skearo Pertama Sumber : Hasl Pegolaha Data Dega Software QM.0

40 Skearo Model Kedua Model kedua pada sub-sstem mash dmodelka sebaga (M/E k // / ), haya jka k = yatu fase yag dmlk. Asums dasar :. Setap fase memlk seorag server yag melaya pelagga.. Rata-rata waktu pelayaa yag terdapat pada setap fase adalah sama. Berkut adalah perhtuga karakterstk operasoal sebaga pegukura keefektfa dar sstem atra: Dketahu : λ = 8.6 orag / jam =.75 orag / met = 34.9 orag / jam. Wq = k k ( ), dmaa Wq = ( ) 34.9 Wq = ( 0.535) Wq = jam (.494 met ). Lq = Wq Lq = 8.6 orag / jam jam Lq = orag

41 96 3. Ws = Wq + Ws = jam Ws = jam ( 3.46 met ) 4. Ls = Lq + Ls = Ls = orag Berkut Gambar 4.7 dsajka juga perhtuga dega megguaka software QM (Quattatve Methods).0 : Gambar 4.7 Hasl Perhtuga Model Skearo Kedua Sumber : Hasl Pegolaha Data Dega Software QM.0

42 Skearo Model Ketga Model ketga pada sub-sstem mash dmodelka sebaga (M/E k // / ), haya jka k = 3 yatu fase yag dmlk 3. Asums dasar :. Setap fase memlk seorag server yag melaya pelagga.. Rata-rata waktu pelayaa yag terdapat pada setap fase adalah sama. Berkut adalah perhtuga karakterstk operasoal sebaga pegukura keefektfa dar sstem atra: Dketahu : λ = 8.6 orag / jam =.75 orag / met = 34.9 orag / jam. Wq = k k ( ), dmaa Wq = ( ) 34.9 Wq = ( 0.535) Wq = 0.0 jam (.36 met ). Lq = Wq Lq = 8.6 orag / jam 0.0 jam Lq = orag

43 98 3. Ws = Wq + Ws = 0.0 jam Ws = jam ( met ) 4. Ls = Lq + Ls = Ls = orag Berkut Gambar 4.8 dsajka juga perhtuga dega megguaka software QM (Quattatve Methods).0 : Gambar 4.8 Hasl Perhtuga Model Skearo Ketga Sumber : Hasl Pegolaha Data Dega Software QM.0

44 Skearo Model Keempat Model keempat pada sub-sstem mash dmodelka sebaga (M/E k // / ), haya jka k = 4 yatu fase yag dmlk 4. Asums dasar :. Setap fase memlk seorag server yag melaya pelagga.. Rata-rata waktu pelayaa yag terdapat pada setap fase adalah sama. Berkut adalah perhtuga karakterstk operasoal sebaga pegukura keefektfa dar sstem atra: Dketahu : λ = 8.6 orag / jam =.75 orag / met = 34.9 orag / jam. Wq = k k ( ), dmaa Wq = ( ) 34.9 Wq = ( 0.535) Wq = jam (.48 met ). Lq = Wq Lq = 8.6 orag / jam jam Lq = orag

45 00 3. Ws = Wq + Ws = jam Ws = 0.05 jam ( 3 met ) 4. Ls = Lq + Ls = Ls = 0.93 orag Berkut Gambar 4.9 dsajka juga perhtuga dega megguaka software QM (Quattatve Methods).0 : Gambar 4.9 Hasl Perhtuga Model Skearo Keempat Sumber : Hasl Pegolaha Data Dega Software QM.0

46 Model Atra Sub-Sstem ( Baga kasr) Model atra pada sub-sstem dmodelka sebaga (M/M// / ) karea haya orag server, dega megasumska :. λ sub-sstem sama dega λ saat memasuk sub-sstem, karea jumlah pelagga yag masuk sub-sstem semua juga harus melewat sub-sstem baru aktvtas pelayaa selesa. Berkut adalah perhtuga karakterstk operasoal sebaga pegukura keefektfa dar sstem atra: Dketahu : λ = 8.6 orag / jam =.94 orag / met = orag / jam. Po = Po = Po = Lq = Lq = 3. Ls = Ls = ( ) ( ) Lq = orag Ls =.44 orag

47 0 4. Wq = Wq = ( ) ( ) Wq = jam (.796 met ) 5. Ws = Ws = Ws = jam ( met ) Berkut Gambar 4.0 dsajka juga perhtuga dega megguaka software QM (Quattatve Methods).0 : Gambar 4.0 Hasl Perhtuga Model Baga Kasr Sumber : Hasl Pegolaha Data Dega Software QM.0

48 Aalsa Hasl Data Berdasarka hasl pegolaha data d atas, model atra yag terdapat pada sstem J.Co adalah gabuga dar dua buah sub-sstem yag dmodelka sebaga berkut : (M/E k // / ) da (M/M// / ) Sub-sstem Sub-sstem Dmaa, k tu adalah fase-fase yag terdapat pada sub-sstem. Pemakaa model tersebut dapat dterapka karea sesua dega hasl peguja servce tme yatu Dstrbus Gamma, yag merupaka duk dar Dstrbus Erlag da Dstrbus Ekspoesal. Oleh sebab tu, dlakuka peurua probablty desty fucto Dstrbus Gamma supaya bsa dmodelka model atra yag sesua. Pemodela sub-sstem yag bersfat erlag karea selama peelta, peuls melhat keuka dar sstem yag bersfat fase dalam memberka pelayaa. Pemodela utuk sub-sstem bersfat (M/M/) yatu kedataga bersfat Posso maka dapat dasumska dstrbus bersfat Ekspoesal, hal dapat dterapka karea peurua dstrbus waktu gamma juga bersfat Ekspoesal. Model (M/M/) pada dasarya sama dega model (M/E k /), utuk k =.

49 Aalsa Perhtuga Operasoal Karakterstk Model Atra Berkut pada Tabel 4.9 adalah ragkuma perbadga hasl-hasl perhtuga dar skearo model-model atra : Tabel 4.9 Ragkuma Perbadga Hasl Perhtuga Sstem Atra Model Lq (orag) Ls (orag) Wq (jam) Ws (jam) M/E /, k = M/E /, k = M/E 3 /, k = M/E 4 /, k = M/M/ ρ Sumber : Ragkuma Hasl Perhtuga Model Atra Dar hasl perhtuga d atas terlhat bahwa waktu tuggu yag palg kecl pada model keempat yatu Wq = jam (pada sub-sstem ) atau boleh dkataka yag memlk fase k yag semak bayak maka waktu tuggu aka semak kecl. Da waktu tuggu utuk masuk ke sub-sstem adalah sama yatu Wq = jam. Meurut Budhardjo et al. (999, p 866) meggambarka da mejelaska bahwa suatu model yag sstemya memlk bayak fase (bersfat Erlag) aka memberka waktu tuggu yag lebh kecl da saat aka memasuk sstem haya memlk satu fase (bersfat Ekspoesal) maka waktu tuggu yag dberka aka lebh besar. Berkut adalah gambara vsualsas abstrak atraya :

50 05 Gambar 4. Vsualsas abstrak Hasl atra Sumber : Hasl Vsualsas Perhtuga Atra Berdasarka hasl ragkuma perhtuga model atra d Tabel 4.9 dapat dlhat juga khususya pada baga sub-sstem, bahwa semak bayak fase atau semak besar la k, la-la karakterstk operasoal atra yag melput Lq, Ls, Wq, Ws aka semak kecl. Namu la utuk utlzato server (ρ) ya tdak berubah tetap atau 53.5%. Hal dsebabka karea dasar dar ρ adalah tetap sama da tdak terpegaruh dar bayakya fase yag ada karea tgkat keguaa dar sstem adalah tetap utuk melaya pelagga, d maa. Semak besar la k atau bayak fase yag dtemuka pada model atra erlag (M/E k /) terlhat bahwa la Lq, Ls, Wq, da Ws semak kecl. Salah satu hal yag mejad dasar aalsa dar hal adalah la

51 06 varace yag dar dstrbus erlag yag aka mejad semak kecl jka fase (la k semak besar). Pembukta : E () =, Var () =, (Dstrbus Gamma) Utuk peurua lebh lajut da kasus khusus, dstrbus gamma la parameterya dhubugka dega : = k, = k mejad : Sehgga jka dturuka lebh lajut maka la mea da varace Ekspoesal, la k = E () = E () = k Ä E () = k Var () = Var () = k Ä k Var () = k Var () = Erlag, la k > msalya E () = E () = k Ä k E () =

52 07 Var () = Var () = k Ä k Var () = k Dar hasl pembukta bsa terlhat bahwa la mea utuk Ekspoesal maupu Erlag adalah sama. Namu yag mejad perbedaa adalah la varaceya, dmaa varace utuk Ekspoesal tdak dbag dega la k lag karea la k selalu. Sedagka utuk Erlag ada terdapat selalu la k sebaga pembag yag aka memperkecl la varaceya karea la k >. Sehgga jka semak bayak fase yag ada maka la varaceya aka semak kecl da medekat ol sehgga medekat smetrs (ormal), meurut Freud (99, p55). Dega bertambah keclya la varace meyataka bahwa keragama la waktu pelayaa aka mejad kecl sehgga jelas waktu pelayaa aka mejad semak cepat. Jka la varace medekat ol atau sama dega ol yag berart aka medekat ormal sehgga pelayaaya aka mejad geeral servce, berkut gambar 4. dbuktka hasl perhtuga dega megguaka software QM.0 yag meyataka bahwa la Lq, Ls, Wq, da Ws aka mejad lebh kecl.

53 08 Gambar 4. Hasl Perhtuga Geeral Servce Sumber : Hasl Pegolaha Data Dega Software QM.0 Hal lah yag membuktka bahwa jka la k semak besar (fasefase semak bayak) maka la-la karakterstk operasoal utuk sstem atra yatu Lq, Ls, Wq, da Ws aka semak kecl. Dasumska jka k =, maka la ragamya aka medekat ol da dasumska sebaga ol. Maka model Erlag aka berubah mejad Geeral Servce dalam waktu pelayaaaya. Da setelah dbuktka dega agka perhtuga megguaka software QM.0 teryata hasl waktu tuggu bear memberka hasl yag palg kecl.

54 Aalsa Perhtuga Total Epected Tme Model Atra Berkut adalah Ragkuma Total Epected Watg Tme dar gabuga kedua model sub-sstem da sub-sstem yatu: Tabel 4.0 Ragkuma Hasl Total Epected Watg Tme Model Wq (jam) Ws (jam) M/E /, k = da M/M/ M/E /, k = da M/M/ M/E 3 /, k = 3 da M/M/ M/E 4 /, k = 4 da M/M/ Sumber : Ragkuma Perhtuga Total Epected Watg Tme Berdasarka hasl perhtuga gabuga kedua sub-sstem dalam pelayaa d J.CO, model yag memberka rata-rata waktu tuggu pelagga dalam atra da rata-rata waktu tuggu dalam sstem adalah model keempat yatu jam = met da 0.89 = met. Model memag adalah la yag palg optmal karea memberka la Total Epected Watg Tme yag palg kecl. Namu jka ada peambaha fase mejad E 5, la dar Total Epected Watg Tme jelas aka mejad lebh kecl da lebh optmal. Tetap berdasarka hasl pegamata terhadap lokas pelayaa d J.CO, jumlah fase yag lebh optmal da sesua dega kapastas layout pelayaa d saa adalah model ketga.

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

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

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

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

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

Lebih terperinci

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

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

Lebih terperinci

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

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

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 97 BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS 4. Hasl da Pegumpula Data 4.. Peetua L Krts DATA Berdasarka hasl peelta da observas dlapaga secara lagsug pada lata produks PT. Fajar It Plasdo yag meghaslka

Lebih terperinci

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

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

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

UKURAN GEJALA PUSAT (UGP) UKURAN GEJALA PUSAT (UGP) Pegerta: Rata-rata (average) alah suatu la yag mewakl suatu kelompok data. Nla dsebut juga ukura gejala pusat karea pada umumya mempuya kecederuga terletak d tegah-tegah da memusat

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

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

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

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

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

Lebih terperinci

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

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

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

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

Lebih terperinci

2.2.3 Ukuran Dispersi

2.2.3 Ukuran Dispersi 3 Ukura Dspers Yag aka dbahas ds adalah smpaga baku da varas karea dua ukura dspers yag palg serg dguaka Hubuga atara smpaga baku dega varas adalah Varas = Kuadrat dar Smpaga baku otas yag umum dguaka

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

Lebih terperinci

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

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

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

Lebih terperinci

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

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

Penerapan Analisis Survival untuk Menaksir Waktu Bertahan Hidup bagi Penderita Penyakit Jantung

Penerapan Analisis Survival untuk Menaksir Waktu Bertahan Hidup bagi Penderita Penyakit Jantung Peerapa Aalss Survval utuk Meaksr Waktu Bertaha Hdup bag Pederta Peyakt Jatug Oleh : Ya Hedrajaya (me_ye2@yahoo.co.d), Ad Setawa da Haa A. Parhusp Program Stud Matematka, Fakultas Sas da Matematka Uverstas

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

Lebih terperinci

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN

BAB 2 : BUNGA, PERTUMBUHAN DAN PELURUHAN Jl. Raya Wagu Kel. Sdagsar Kota Bogor Telp. 0251-8242411, emal: prohumas@smkwkrama.et, webste : www.smkwkrama.et BAB 2 : BUNGA, PERTUBUHAN DAN PELURUHAN PENGERTIAN BUNGA Buga adalah jasa dar smpaa atau

Lebih terperinci

BAB III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pegerta Perawata (Mateace) Meurut Assaur (999, p95) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peyesuaa, atau peggata yag dperluka

Lebih terperinci

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling.

METODE PENELITIAN. Kota Bogor. Kecamatan Bogor Barat. Purposive. Kelurahan Cilendek Barat RW 05 N1= 113. Cluster random sampling. METODE PENELITIAN Desa, Tempat da Waktu Peelta Peelta megguaka desa cross sectoal study. Lokas peelta d Kota Bogor. Pemlha lokas peelta secara purposve dega pertmbaga merupaka salah satu kecamata dega

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Koferes Nasoal Tekk Spl 3 (KoNTekS 3) Jakarta, 6 7 Me 009 WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST Maksum Taubrata Program Stud Tekk Spl, Uverstas Krste Maraatha Badug Jl.

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

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

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Dalam pemodela program ler, semua parameter yag dguaka dalam model dasumska dapat dketahu secara past. Parameter-parameter terdr dar koefse batasa ( ) a, la kuattas batasa

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat

BAB II LANDASAN TEORI. teori dan definisi mengenai variabel random, regresi linier, metode kuadrat BAB II LANDASAN TEORI Sebaga pedukug dalam pembahasa selajutya, dperluka beberapa teor da defs megea varabel radom, regres ler, metode kuadrat terkecl, peguja asums aalss regres, outler, da regres robust.

Lebih terperinci

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah

Penerapan Model Regresi Ensemble Non-Hybrid pada Data Kemiskinan di Provinsi Jawa Tengah The 6 th Uversty Research Colloquum 7 Peerapa Model Regres Esemble No-Hybrd pada Data Kemska d Provs Jawa Tegah Corela Ardaa Savta, Sr Sulstjowat Hadaja, Bowo Waro 3,3 Program Stud Matematka FMIPA, Uverstas

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

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

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF KELOMPOK A I GUSTI BAGUS HADI WIDHINUGRAHA (0860500) NI PUTU SINTYA DEWI (0860507) LUH GEDE PUTRI SUARDANI (0860508) I PUTU INDRA MAHENDRA PRIYADI (0860500)

Lebih terperinci

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah

Uji Modifikasi Peringkat Bertanda Wilcoxon Untuk Masalah Dua Sampel Berpasangan 1 Wili Solidayah 2 Siti Sunendiari 3 Lisnur Wachidah Prosdg Statstka ISSN 40-45 Uj Modfkas Pergkat Bertada Wlcoxo Utuk Masalah Dua Sampel Berpasaga 1 Wl Soldayah St Suedar 3 Lsur Wachdah 1, Statstka, Fakultas MIPA, Uverstas Islam Badug, Jl. Tamasar No. 1

Lebih terperinci

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull JURNAL SAINS DAN SENI ITS Vol. 5 No. (16) 337-35 (31-98X Pr D-31 Aalss Survval Pada Pase Demam Berdarah Degue (DBD) d RSU Haj Surabaya Megguaka Model Regres Webull Alfa Slf Mufdah da Purhad Jurusa Statstka,

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB METODE PENELTAN 3.1 Tempat da Waktu Peelta Peelta dlaksaaka d areal/wlaah koses huta PT. Sarmeto Parakata Tmber, Kalmata Tegah pada bula Aprl sampa dega Me 007. 3. Baha da Alat Baha ag dguaka utuk

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

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

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

Lebih terperinci

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

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

Estimasi Parameter Generalized Pareto Distribution Pada Kasus Identifikasi Perubahan Iklim di Sentra Produksi Padi Jawa Timur

Estimasi Parameter Generalized Pareto Distribution Pada Kasus Identifikasi Perubahan Iklim di Sentra Produksi Padi Jawa Timur JURNAL SAINS DAN SENI POMITS Vol., No., (3) 337-35 (3-98X Prt) D-4 Estmas Parameter Geeralzed Pareto Dstrbuto Pada Kasus Idetfkas Perubaha Iklm d Setra Produks Pad Jawa Tmur Yustka Des Wula Sar da Sutko

Lebih terperinci

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J)

STATISTIKA. A. Tabel Langkah untuk mengelompokkan data ke dalam tabel distribusi frekuensi data berkelompok/berinterval: a. Rentang/Jangkauan (J) STATISTIKA A. Tabel Lagkah utuk megelompokka data ke dalam tabel dstrbus frekues data berkelompok/berterval: a. Retag/Jagkaua (J) J X maks X m b. Bayak kelas (k) Megguaka atura Sturgess, yatu k,. log c.

Lebih terperinci

KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN

KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN KARAKTERISTIK INFLASI BULANAN KOTA-KOTA DI INDONESIA TAHUN 009 03 S - Ad Setawa Program Stud Matematka Fakultas Sas da Matematka Uverstas Krste Satya Wacaa, Jl. Dpoegoro 5-60 Salatga 507 Emal : ad_seta_03@yahoo.com

Lebih terperinci

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

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

Lebih terperinci

k N 1 = s X Dimana : = Jumlah pengamatan yang seharusnya dilakukan.

k N 1 = s X Dimana : = Jumlah pengamatan yang seharusnya dilakukan. Uj Kecukupa da keseragama Data Uj kecukupa data dguaka utuk meetuka bahwa jumlah sampel data yag dambl telah cukup utuk proses veres ataupu pegolaha sata pada proses selajutya. Dalam uj aka dguaka persamaa

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

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

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013.

BAB III METODOLOGI PENELITIAN. Propinsi Gorontalo tahun pelajaran 2012/2013. BAB III METODOLOGI PENELITIAN 3.. Tempat da Waktu Peelta Peelta dlaksaaka d SMP Neger 3 Gorotalo kota Gorotalo Props Gorotalo tahu pelajara 0/03. D SMP Neger 3 Gorotalo memlk 6 romboga belajar yag terdr

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN A. Jes Peelta Dalam pelta peelt megguaka racaga eksperme. Eksperme adalah observas dbawah kods buata (artfcal codto), dmaa kods tersebut dbuat da d atur oleh s peelt. Dega

Lebih terperinci

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

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

Lebih terperinci

BAB V ANALISIS HIDROLOGI

BAB V ANALISIS HIDROLOGI ANALISIS HIDROLOGI 64 BAB V ANALISIS HIDROLOGI 5.. Tjaua Umum Utuk meetuka debt recaa, dapat dguaka beberapa metode atau cara. Metode yag dguaka sagat tergatug dar data yag terseda, data data tersebut

Lebih terperinci

ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE

ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE ESTIMASI PARAMETER MODEL INTEGER-VALUE AUTOREGRESSIVE UNTUK MENENTUKAN PROBABILITAS TERJADINYA KEBAKARAN YANG DISEBABKAN OLEH GAS ELPIJI DI KOTA SURAKARTA Nurmaltasar Jurusa Sstem Iformas, STMIK Duta Bagsa

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

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

Lebih terperinci

Estimasi Parameter Generalized Pareto Distribution Pada Kasus Identifikasi Perubahan Iklim di Sentra Produksi Padi Jawa Timur

Estimasi Parameter Generalized Pareto Distribution Pada Kasus Identifikasi Perubahan Iklim di Sentra Produksi Padi Jawa Timur YUSTIKA DESI WULAN SARI 39 4 Estmas Parameter Geeralzed Pareto Dstrbuto Pada Kasus Idetfkas Perubaha Iklm d Setra Produks Pad Jawa Tmur Yustka Des Wula Sar da Sutko Jurusa Statstka, Fakultas Matematka

Lebih terperinci

; θ ) dengan parameter θ,

; θ ) dengan parameter θ, Vol. 4. No. 3, 5-59, Desember 00, ISSN : 40-858 APLIKASI METODE BESARAN PIVOTAL DALAM PENENTUAN SELANG KEYAKINAN TAKSIRAN PARAMETER POPULASI. Agus Rusgyoo Jurusa Matematka FMIPA UNDIP Abstraks Dberka populas

Lebih terperinci

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif

Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Pemodela Jumlah Kemata Ibu d Jawa mur dega Pedekata Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Retdasyah Rsky Agga Permaa, Mutah Salamah Jurusa Statstka, Fakultas MIPA, Isttut ekolog Sepuluh

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci