BAB 3 METODOLOGI PEMECAHAN MASALAH

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 3 METODOLOGI PEMECAHAN MASALAH"

Transkripsi

1 BAB 3 METODOLOGI PEMECAHAN MASALAH 3. Metode Pemecaha Masalah Metodolog peelta merupaka tahap-tahap dalam suatu peelta yag harus dtetapka atau dlakuka terlebh dahulu sebelum melakuka pecara solus masalah yag sedag dbahas sehgga peelta tersebut dapat dlakuka dega terarah, jelas da sstemats sehgga dapat memudahka dalam megaalsa permasalaha yag ada. Gambar dagram flow chart dapat dlhat pada halama selajutya :

2 Dagram 3. Dagram Flowchart Metodolog Peelta

3 3.. Observas Lapaga Pada tahap, observas lapaga adalah lagkah awal dalam metodolog peelta. Observas utuk megetahu kods atau stuas dar Uverstas Ba Nusatara yag sedag berjala saat da megdetfkas masalah yag sedag dhadap oleh Uverstas Ba Nusatara. Pada tahap, dlakuka observas dega melakuka pegamata lagsug dega phak terkat, khususya yag berhubuga dega saraa da prasaraa d Uverstas Ba Nusatara yatu pada baga buldg maagemet utuk memperoleh data umum sehgga dapat megdetfkas masalah yag ada. 3.. Pemlha Topk Pada tahap, sebelum peelta dlakuka, Peuls memlh da meetuka topk yag sesua. Pemlha topk berdasarka masalah yag terjad d baga buldg maagemet Idetfkas da Perumusa Masalah Pada tahap, melalu peelta yag dlakuka pada departeme mateace, dtetuka masalah tetag dowtme dar mes-mes yag dmlk da apabla terjad kerusaka, maka flow kegata aka terhet sehgga aka meghambat kegata yag ada d Uverstas Ba Nusatara, sehgga peuls megaggap masalah sebaga sesuatu yag harus damat da dtelt.

4 3..4 Stud Pustaka Pada tahap, sebelum melakuka peelta, dlakuka stud pustaka dega membaca teor teor yag dapat dkemukaka dalam peyusua skrps Tujua Peelta Bertujua memperoleh pegetahua tetag mateace dar escalator yag dmlk oleh Uverstas Ba Nusatara Pegumpula Data Pegumpula data megea mateace da keadala yag dmlk oleh escalator d Uverstas Ba Nusatara dlakuka secara kualtatf da kuattatf, sepert waktu breakdow kerusaka mes (escalator) da kompoe krts Idetfkas Mes Da Kompoe Krts Dega Dagram Pareto Pada tahap, Aka dtetuka mes krts da kompoe-kompoe krts dar mes-mes (escalator) dega melhat total persetase kumulatf medekat 80 %, maka aka termasuk dalam mes da kompoe krts da peetua kompoe krts dlakuka dega megguaka dagram pareto.

5 3..8 Idetfkas Data Dega Dstrbus Expoetal, Webull, Log Normal, Da Normal Setelah megetahu kompoe maa yag merupaka kompoe krts, maka tahap berkutya adalah megdetfkas kompoe tersebut tergolog dalam dstrbus apa (dstrbus Expoetal, Webull, Log Normal da Normal). Dmaa dar ke 4 dstrbus tersebut aka meghaslka la r (dex of ft). Maka dar tu aka dlakuka perhtuga secara teor. Lagkah-lagkah yag dlakuka dalam peetua la r (dex of ft) terbesar, yag atya aka dguaka dalam pegolaha data berkutya, adalah sebaga berkut :. Data selag waktu kerusaka (data tme to falure) da data dowtme perbaka kerusaka dlambagka dega t.. Meghtug la x, dega rumus : x t utuk dstrbus expoetal da ormal x l (t) utuk dstrbus webull da log ormal 3. Meghtug la x 4. Meghtug la F(t) dega megguaka pedekata meda rakg. Dega rumus : 0,3 F ( t) + 0,4 Dmaa : F(t) Fugs dstrbus kumulatf Uruta data (,,3,.,) Jumlah data selag waktu atar kerusaka.

6 5. Meghtug la y, dega rumus : Utuk dstrbus expoetal y l F( t) Utuk dstrbus webull y l.l F( t) Utuk dstrbus log ormal da ormal y z Φ [ F( t) ], dmaa la Φ [ F( t) ] dapat dperoleh dega melhat tabel stadardzed ormal probabltas pada lampra. 6. Meghtug la x.y 7. Meghtug la y. 8. Meghtug la r. r x. y ( x)(. y) ( x).. y {. x }{ ( y) } dmaa : r dex of ft jumlah data kerusaka x data falure atau repar tme y fugs dstrbus Kemuda dar keempat dstrbus tersebut yag mempuya hasl r (dex of ft) terbesar maka aka dguaka dalam pegolaha data berkutya.

7 3..9 Idetfkas MLE (Maxmum Lkehood Estmator) Pada tahap, aka dlakuka peafsra parameter dar data dstrbus tertetu. Da metode pedugaa parameter yag dguaka adalah MLE (Maxmum Lkehood Estmator). Lagkah-lagkah yag dlakuka dalam peetua parameter, yag atya aka dguaka dalam pegolaha data selajutya, adalah sebaga berkut : Dstrbus expoetal MLE : λ Dstrbus webull MLE : θ t r T β β l( t) Dstrbus log ormal MLE : μ μ t med e S ( l t μ) Dstrbus ormal : μ x σ ( ) S S ( t μ)

8 3..0 Idetfkas Goodess Of Ft Pada tahap dlakuka detfkas apakah suatu data sampel tersebut megkut suatu dstrbus tertetu da jka haslya adalah terma Ho, maka data tersebut dalam dstrbus yag memlk dex of ft terbesar, aka tetap apabla yag terjad adalah sebalkya, maka perhtuga parameter aka dulag, hgga haslya adalah terma Ho. Peguja aka dlakuka terhadap masg-masg dstrbus, yatu :. Uj Barlett Test utuk Dstrbus Expoetal Lagkah-lagkah utuk uj adalah : H 0 : data berdstrbus expoetal H : data buka berdstrbus expoetal Meetuka α H 0 terma jka X (-α/,r-) < B < X (α/,r- dapat dlhat pada tabel chsquare Uj statstk : B r l / r ( r) t ( / r) u + ( r + ) 6r r l t dmaa : t adalah waktu kerusaka ke r adalah jumlah kerusaka B adalah la uj statstk utuk uj Barlett Test

9 . Uj Ma s Test utuk Dstrbus Webull. Lagkah-lagkah utuk uj adalah : H 0 : falure or repar tme adalah dstrbus webull H : falure or repar tme adalah buka dstrbus webull Meetuka α H 0 terma jka M < F crt Utuk megetahu la F crt dapat dlhat pada tabel F dstrbuto. Uj statstk : M k k [ ( l t+ l t )/ M ] [ ( l t+ l t )/ M ] dmaa : k r k r M Z + Z Z 0,5 l l + 0,5 3. Uj Kolmogorof-Smrov Test utuk Dstrbus Logormal da Normal. Lagkah-lagkah utuk uj adalah : H 0 : falure or repar tme adalah dstrbus logormal da ormal H : falure or repar tme adalah buka dstrbus logormal da ormal Meetuka α H 0 terma jka D < D crt, jka D D crt maka terma H la dar D crt dapat dperoleh pada tabel llefors test. Dmaa D merupaka max D da max D

10 Tabel 3. uj kolmogorov smrov t (-)/ / t - µ ( t - µ) z Ф (z) D D 3 t μ ( t μ) σ dmaa : t adalah waktu kerusaka ke 3.. Mea Tme To Falure ad Repar Pada tahap, aka dtetuka kods wear out kompoe berdasarka dstrbus kerusakaya, dmaa apabla detfkas dstrbus meujukka bahwa terval waktu kerusaka memlk laju kerusaka yag meuru atau kosta (berdstrbus expoetal atau webull dega β ), maka peggata pecegaha kerusaka tdak aka efektf utuk dlakuka karea tdak aka megkatka keadala escalator sehgga usula tdaka prevetve mateace yag dlakuka haya berupa pemerksaa. La hal jka terval kerusaka memlk laju kerusaka megkat (berdstrbus webull dega β >, ormal da log ormal) maka tdaka prevetve mateace yag dusulka ada cara yatu peggata pecegaha kerusaka da pemerksaa. Rumus yag dguaka utuk meetuka MTTF da MTTR adalah :. Utuk dstrbus Expoetal MTTF / MTTR λ

11 . Utuk Dstrbus Webull MTTF / MTTR θ Γ + θ β { Γ( x) } Γ dperoleh dalam table gamma fucto 3. utuk Dstrbus Logormal MTTF / MTTR. exp s t med 4. utuk Dstrbus Normal. MTTF / MTTR μ 3.. Relablty da Avalablty Pada tahap, dlakuka perhtuga megea relablty pada kods sekarag, megguaka rumus sebaga berkut : R R λt () t e, utuk dstrbus expoetal ( /θ )β () t e t, utuk dstrbus webull t () R t Φ. l,utuk dstrbus log ormal s t med t μ R() t Φ, utuk dstrbus ormal σ

12 Da kemuda aka dlakuka perbadga terhadap relablty pada kods usula. Pegkata relablty dapat dtempuh dega perawata pecegaha, melalu hal aka dketahu megkat atau tdakya relablty escalator pada kods usula. Rumus dar relablty dega adaya usula adalah sebaga berkut : R R R λ ( T ) ( t T ) e t ( t /θ )β ( t T ) e Nt ( t T ) Φ. l s t med, utuk dstrbus expoetal, utuk dstrbus webull t T,utuk dstrbus log ormal ( t T ) μ R( t T ) Φ, utuk dstrbus ormal σ da selajutya adalah dcar relablty total, yatu dega rumus : () t R() t R m utuk 0 t T R m R m () t R( T ) R( t T ) utuk T t T () t R( T ) R( t T ) utuk T t ( + )T 0,,,... Dmaa : T adalah Age replacemet R m (t) adalah Keadala (relablty) setelah dlakuka prevetve mateace R(t) adalah Keadala tapa prevetve mateace R(T) adalah probabltas dar Keadala hgga selag waktu perawata. R(t-T) adalah peluag dar Keadala atara waktu t T setelah sstem dkembalkam pada kods awal pada saat T.

13 R(t-T) adalah probabltas dar Keadala utuk waktu t T dar prevetf mateace terakhr. Setelah tu aka dlakuka perhtuga avalablty, dega tujua utuk meetuka peluag beroperasya escalator utuk setap sklus peggata pecegaha da pemerksaa kompoe krts. Perhtuga dlakuka dega megalka avalablty peggata pecegaha dega avalablty pemerksaa karea avalablty peggata pecegaha da avalablty pemerksaa merupaka kejada yag salg bebas. Da avablty dapat dcar dega rumus :. Avalablty Iterval peggata pecegaha F(tp) ddapat dar tabel stadardzed ormal probabltes R(tp) F(tp) M ( tp) MTTF F( tp) Tp R( tp) + Tf ( R( tp)) D( tp) ( tp + Tp) R( tp) + ( M ( tp) + Tf ) ( R( tp)) Avalablty D(tp)m. Avalablty Iterval pemerksaa k t MTTF μ Tf t T t

14 k μ Iterval waktu pemerksaa t k D ( ) + * μ Dmaa : k adalah rata-rata jumlah kerusaka μ adalah rata-rata waktu utuk melakuka peggata Tf adalah waktu peggata kerusaka adalah rata-rata waktu utuk melakuka pemerksaa T adalah waktu utuk melakuka pemerksaa adalah frekues D ( ) adalah la dow tme 3. Total Avalablty Avablty terval peggata x Avablty pemerksaa 3..3 Aalsa Setelah dlakuka pegolaha data, dlakuka aalsa terhadap topk tersebut.

15 3. Tekk Pegumpula Data Data-data yag dambl da dpaka dalam peelta bersfat kualtatf da kuattatf da data-data tersebut adalah :. Data Prmer Data prmer adalah data yag berhubuga lagsug dega peelta. Data prmer yag dguaka adalah lapora kerja mateace egeerg selama dua tahu yag mecagkup kegata mateace, waktu mateace, da jam kerja.. Data Sekuder Sedagka data sekuder yag damat adalah keadaa perusahaa secara umum sepert sejarah Uverstas Ba Nusatara, sstem yag berjala dalam Uverstas Ba Nusatara da pegeala lebh lajut terhadap Uverstas Ba Nusatara.

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

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 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

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 22 BAB II LANDASAN TEORI 2.1 Pedahulua 2.1.1 Pegerta Mateace Beberapa pegerta perawata (mateace) meurut ahl : 1. Meurut Corder (1988), perawata merupaka suatu kombas dar tdaka yag dlakuka utuk mejaga suatu

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 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. 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

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2. Pegerta Pemelharaa da Perawata Pegerta Pemelharaa da Perawata ( Mateace ) meurut Assaur adalah suatu kegata utuk mejaga atau memelhara fasltas da peralata pabrk da megadaka perbaka

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

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

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

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 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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 9 BAB LANDASAN TEORI. Defs Pemelharaa Agar suatu kegata produks dapat berlagsug dega lacar, meghaslka produk-produk yag bermutu tgg, maka perlu ddukug oleh mes-mes atau peralata yag hadal da sap bekerja

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 8 BAB LANDASAN TEORI. Prevetve Mateace.. Pegerta Perawata (Mateace) Meurut Assaur (999, p59) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peesuaa

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

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 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

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

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 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 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

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 III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia

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 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 III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum,

BAB III METODOLOGI PENELITIAN. Madiun, untuk mendapatkan gambaran kondisi tempat penelitian secara umum, 32 BAB III METODOLOGI PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di PT. INKA yag terletak di Jl. Yos Sudarso o 71 Madiu, utuk medapatka gambara kodisi tempat peelitia secara umum, termasuk kegiata-kegiata

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

UNIVERSITAS INDONESIA

UNIVERSITAS INDONESIA UNIVERSITAS INDONESIA OPTIMASI PREVENTIVE MAINTENANCE DAN PENJADWALAN PENGGANTIAN KOMPONEN MESIN KOMPRESSOR DENGAN MENGGUNAKAN MIXED INTEGER NON LINIER PROGRAMMING DARI KAMRAN TESIS PRIMA FITHRI 0906495886

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pemelharaa (Mateace) 2.1.1 Pegerta Pemelharaa Defs pemelharaa (mateace) meurut Patrck (2001, p407) adalah suatu kegata utuk memelhara da mejaga fasltas yag ada serta memperbak,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 4 BAB LANDASAN TEORI. Prevetve Mateace.. Pegerta Perawata ( Mateace ) Meurut Assaur (999, p95) perawata merupaka kegata utuk memelhara atau mejaga fasltas da peralata pabrk, da megadaka perbaka, peyesuaa,

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

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

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

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

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

Lebih terperinci

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

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

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

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

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2. Perawata (Mateace) Perawata (mateace) adalah memperbak alat-alat mekak atau elektrk yag sedag rusak atau tergaggu (dkeal sebaga reparas, tdak terjadwal atau pemelharaa secara kebetula),

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

POLIGON TERBUKA TERIKAT SEMPURNA

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

Lebih terperinci

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

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

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

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

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

ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL

ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL ANALISIS KEANDALAN (RELIABILITY) MESIN PRODUKSI DENGAN FUNGSI DISTRIBUSI WEIBULL Agus Fkr, ST., MM Muhammad Irva, ST.,MT. ABSTRACT I a producto system, all mache related to the creato of added value of

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

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

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

PERBANDINGAN ESTIMASI CADANGAN KLAIM

PERBANDINGAN ESTIMASI CADANGAN KLAIM TUGAS AKHIR SS450 TUGAS AKHIR SS 450 PERBANDINGAN ESTIMASI CADANGAN KLAIM PENENTUAN MENGGUNAKAN WAKTU METODE OPTIMUM CHAIN PERBAIKAN LADDER DAN MESIN GENERALIZED KETEL MENGGUNAKAN LINEAR MODELS (GLMs)

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

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

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

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

Lebih terperinci

BAB 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

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

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 08 BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 4. Pegumpula Data Data yag peuls kumpulka adalah data yag berhubuga dega proses produks, lapora kerusaka mes, lapora reject dalam produks yag dtaga oleh

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

; 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

Jurnal Sketsa Bisnis Vol. 2 No. 1 Agustus 2015 Page 18

Jurnal Sketsa Bisnis Vol. 2 No. 1 Agustus 2015 Page 18 ANALISA WAKTU BAKU PRODUKSI DOMPET DENGAN PENDEKATAN PETA TANGAN KIRI DAN TANGAN KANAN PADA CV. XYZ DI PASURUAN Hasa Bashor 1), Rosyatul Umam ) 1) Dose Tekk dustr Fakultas Tekk Uverstas Yudharta Pasurua

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

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Didalam melakuka kegiata suatu alat atau mesi yag bekerja, kita megeal adaya waktu hidup atau life time. Waktu hidup adalah lamaya waktu hidup suatu kompoe atau uit pada

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih 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

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2. Perawata (Mateace) Perawata (mateace) adalah memperbak alat-alat mekak atau elektrk yag sedag rusak atau tergaggu (dkeal sebaga reparas, tdak terjadwal atau pemelharaa secara kebetula),

Lebih terperinci

III. METODOLOGI PENELITIAN. Menurut Arikunto (1991 : 3) penelitian eksperimendalah suatu penelitian yang

III. METODOLOGI PENELITIAN. Menurut Arikunto (1991 : 3) penelitian eksperimendalah suatu penelitian yang 37 III. METODOLOGI PENELITIAN A. Metode Peelta Metode peelta merupaka suatu cara tertetu yag dguaka utuk meelt suatu permasalaha sehgga medapatka hasl atau tujua yag dgka. Meurut Arkuto (1991 : 3) peelta

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

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

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

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pegerta pemelharaa (mateace) Pemelharaa atau perawata merupaka kegata utuk mejaga atau memelhara fasltas atau perawata pabrk dega megadaka perbaka, peyesuaa atau pergata yag dperluka

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 III METODOLOGI PENELITIAN. Berdasarkan permasalahan yang akan diteliti oleh penulis, maka metode

BAB III METODOLOGI PENELITIAN. Berdasarkan permasalahan yang akan diteliti oleh penulis, maka metode 4 BAB III METODOLOGI PENELITIAN A. Metode da Desa Peelta Berdasarka permasalaha yag aka dtelt oleh peuls, maka metode peelta yag dguaka yatu metode deskrptf komparatf (descrptvecomparatve). Sebagamaa yag

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih 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

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

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

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak

BAB III METODE PENELITIAN. Penelitian ini dilakukan di PT. Mulya Agro Bioteknologi yang terletak BAB III METODE PENELITIAN 3.1 Lokas da Waktu Peelta Peelta dlakuka d PT. Mulya Agro Botekolog yag terletak Perumaha Tegalgodo Asr Blok H III No. 10 Kecamata Karagploso, Kabupate Malag. Pemlha lokas peelta

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

III. METODOLOGI PENELITIAN. Metode penelitian merupakan strategi umum yang di anut dalam

III. METODOLOGI PENELITIAN. Metode penelitian merupakan strategi umum yang di anut dalam III. METODOLOGI PENELITIAN A. Metode Peelta Metode peelta merupaka strateg umum yag d aut dalam pegumpula data da aalss data yag dperluka, gua mejawab persoala yag dhadap. Meurut Arkuto (006 : 3) peelta

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

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP III. METODE PENELITIAN A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela VII emeter gajl SMP Ba Mulya Badar Lampug Tahu Pelajara 0/0 dega jumlah wa ebayak 03 wa yag terbag dalam 3 kela. Sampel

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

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 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

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

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

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 0, No. (03), hal. 57-6 ESTIMASI UKUAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM POTOFOLIO PADA SINGLE INDEX MODEL Eka Kurawat, Helm, Neva Satyahadew INTISAI

Lebih terperinci

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

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

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

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

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

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

( ) ( ) ( ) ( ) ( ) 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