BAB II PERTIDAKSAMAAN CHERNOFF
|
|
- Yanti Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a<<b) aau P (>b) aaupun P ( a). Jika fungsi peluang dari dikeahui dengan pasi, hal ini idak menjadi masalah. Bahkan unuk beberapa disribusi, seperi binomial, poisson, normal, dan χ sudah diabelkan. Teapi dalam prakek, yang sering erjadi fungsi peluang idak dikeahui dan informasi yang ada mengenai disribusi ini sanga erbaas. Misalkan yang dapa dikeahui hanya parameer raaan µ aau variansi σ. Unuk mengaasi ini, sering dipakai peridaksamaan Chebyshev, yaiu Var( ) σ P(( E[ ]) a ) aau P(( µ ) a ) (.1) a a Persamaan ini memberikan hampiran pada baas aas unuk peluang dari (-µ) idak kurang dari a, dengan a sembarang. Jika µ dan σ juga idak dikeahui, peridaksamaan ini masih bisa dipakai, dengan mensubsiusi µ dan σ masing-masing oleh raaam sampel dan variansi sampel S. n 1 Meskipun demikian, perlu dipelajari lebih dalam mengenai hampiran ini, baik erhadap hasil eksak aaupun erhadap peridaksamaan lainnya. Hal ini akan dipelajari di bawah ini, eapi sebelumnya akan dibahas peridaksamaan Markov, yang sering dianggap sebagai dasar dari peridaksamaan Chebyshev.. Peridaksamaan Markov Tidak dikeahui siapa yang perama kali mengemukakan peridaksamaan Markov ini. Akan eapi, di beberapa lieraur disebukan bahwa nama peridaksamaan ini diambil dari nama salah seorang maemaikawan Rusia bernama Andrey Markov. Dalam Ross, Inroducion o Probabiliy Models, hal 73, diuliskan 5
2 Definisi peridaksamaan Markov Unuk seiap 0 dengan a > 0 E[ ] P( a) (.) a Menginga unuk membukikan peridaksamaan (.) harus dilakukan pada peubah acak diskri dan koninu, maka buki peridaksamaan ini dapa dipelajari pada Lampiran A.1. Menginga pula definisi fungsi kehidupan (survival funcion) S(x), yaiu S(x) = 1- P( x ), Dapa dikaakan bahwa ernyaa peridaksamaan (.) di aas bisa membanu perhiungan fungsi kehidupan. Fungsi S(x) ini sanga bermanfaa jika peubah acak adalah usia dari makhluk hidup aau masa hidup barang elekronik. Dalam Tugas Akhir ini, fungsi kehidupan idak dibahas erlalu dalam. Selanjunya sebagai conoh aplikasi peridaksamaan Markov, andaikan dikeahui bahwa banyaknya barang yang diproduksi sebuah pabrik dalam 1 minggu mempunyai raaan 50. Maka peluang bahwa pada minggu ini produksi pabrik ersebu lebih dari 75 adalah sebagai beriku E [ ] µ 50 P ( > 75) = = = Seperi elah diuliskan di Bab I, di bawah ini akan dijelaskan penggunaan peridaksamaan Markov dari suau disribusi yang dikeahui fungsi peluangnya unuk membandingkan hampiran baas aas peridaksamaan Markov dengan nilai sebenarnya. Hasil ini akan menjadi masukan unuk mempelajari kelebihan dan kekurangan peridaksamaan Markov. Conoh.1 Misalkan ada 10 ibu hamil ua dengan kondisi yang hampir sama. Andaikan pula mereka belum ahu jenis kelamin dari masing-masing janinnya. Jika peubah acak menyaakan banyaknya anak perempuan yang akan lahir, maka ~ binomial (10, 1 ). Di bawah ini elah dihiung nilai P( a) unuk beberapa nilai a dan hasilnya sebagai beriku: 6
3 P ( a) eksak P ( a) sebenarnya dari Peridaksamaan Markov P ( 1) P ( ) P ( 3) P ( 4) P ( 5) P ( 6) P ( 7) P ( 8) P ( 9) Tabel 1 Hasil akhir P ( a) dari Peridaksamaan Markov Tabel perbandingan P ( a) eksak dan hampiran dari peridaksamaan Markov unuk disribusi binomial (10,1/) Tanpa menginga bahwa besar oal peluang idak lebih dari 1, maka peridaksamaan Markov memberikan nilai yang cukup memuaskan hanya unuk a = 4, 5. Unuk yang lainnya, hasil perhiungan jauh lebih besar, umumnya 1,5 kali nilai sebenarnya. Teapi, jika nilai baas aasnya lebih dari 1 dan digani oleh 1, maka nilai baas yang cukup memuaskan adalah unuk a = 1,..., 5. Conoh. Sebagai pendamping, di bawah ini dihiung hampiran Markov unuk peubah acak koninu. Misalkan suau perusahaan membua bola lampu yang umurnya mengikui disribusi normal µ = 5 (dalam puluhan jam) dan σ =10 (dalam rausan jam). P ( a) P ( a) sebenarnya dari Hasil akhir P ( a) eksak Peridaksamaan Markov P ( 1) P ( ) P ( 3) dari Peridaksamaan Markov 7
4 P ( a) eksak P ( a) sebenarnya dari Peridaksamaan Markov P ( 4) P ( 5) P ( 6) P ( 7) P ( 8) P ( 9) Tabel Hasil akhir P ( a) dari Peridaksamaan Markov Tabel perbandingan P ( a) eksak dan hampiran dari peridaksamaan Markov unuk disribusi normal (5,10) Unuk disribusi koninu normal pun, idak jauh berbeda dengan hasil di aas. Dari Tabel 1 dan Tabel dapa disimpulkan bahwa peridaksamaan Markov memberikan baas aas yang cukup jauh dari nilai sebenarnya. Dalam peridaksamaan (.) parameer yang erliba hanyalah ukuran pemusaan µ. Sehingga jika ada dua peubah acak, masing-masing mempunyai disribusi yang berbeda, misalkan variansi berbeda jauh, eapi raaan µ sama, maka hampiran peridaksamaan Markovnya akan sama. Hal ini enu akan sanga menyesakan jika dierapkan di lapangan, khususnya dalam menganalisa daa. Unuk iu peridaksamaan (.), perlu dimodifikasi dengan melibakan parameer lain yang lebih represenaif dari disribusi. Dari sudi singka di aas dapa disimpulkan bahwa peridaksamaan Markov cukup mudah unuk digunakan, eapi 1. Hanya berlaku erbaas unuk peubah acak non-negaif. Pada beberapa nilai a, hampiran yang diberikan sanga jauh dari nilai sebenarnya. 3. Baas aas dari peridaksamaan Markov bisa bernilai lebih dari 1, dengan kaa lain hampiran yang diberikan over-esimae. 4. Dua peubah acak dimana masing-masing disribusi peluangnya berlainan akan mempunyai baas aas yang sama. 8
5 Sebagai ambahan, jika di lapangan ingin dipakai peridaksamaan ini, eapi E [ ] = µ idak dikeahui, maka µ dapa diaksir oleh raaan sampel (raaan arimaika) yaiu..3 Peridaksamaan Chebyshev Pada 1850 Pafnuy Chebyshev mengusulkan Peridaksamaan Chebyshev sebagai beriku (liha Sheldon Ross, 1997, A Firs Course in Probabiliy, halaman 396) Unuk seiap dengan a > 0 aau Var( ) a ) P(( E[ ]) (.3) a 1 P( µ kσ < < µ + kσ ) 1 (.4) k Pembukian peridaksamaan ini dapa dilha di Lampiran A. Peridaksamaan Chebyshev ini ernyaa dibenuk dari peridaksamaan Markov dengan mengambil peubah acaknya adalah ( µ), kemudian a diulis sebagai k, sehingga benuk kuadranya adalah k, dan menginga bahwa E[(-µ) ] = Var () = σ. Terliha bahwa peridaksamaan ini memperbaiki peridaksamaan Markov yang hanya berlaku unuk peubah acak non-negaif. Jadi Pafnuy Chebyshev menemukan bahwa bagian luas anara dua nilai yang seangkup erhadap nilai raaan µ berkaian dengan simpangan baku σ. Karena luas di bawah kurva disribusi peluang aau dalam hisogram peluang berjumlah 1, maka luas anara dua bilangan sembarang menyaakan peluang peubah acak yang bersangkuan mendapa nilai anara kedua bilangan ersebu. Peridaksamaan ini memberikan aksiran enang peluang bahwa suau peubah acak mendapa nilai dalam jarak k simpangan baku dari harga raaannya unuk seiap bilangan k real [1]. Dari definisi di aas dapa pula kia benuk peridaksamaan Chebyshev unuk sau sisi. (Liha Sheldon Ross, 1997, A Firs Course in Probabiliy, halaman 41). P( σ µ a) dengan a > 0 (.5) σ + a 9
6 Dengan menggunakan peridaksamaan ini akan lebih mudah unuk membandingkan penggunaan dari peridaksamaan Markov dan Chebyshev. Terliha pula di aas, dibandingkan dengan peridaksamaan Markov, jika ada dua peubah acak yang raaannya sama, eapi variansinya berbeda maka baas aasnya pun akan berbeda. Peridaksamaan Chebyshev dapa digunakan unuk sebarang peubah acak. Hal ini erliha dari benuknya yang dikuadrakan. Ini merupakan salah sau keunggulannya. Selain iu, dalam banyak kasus akan memberikan baas yang lebih baik dibandingkan peridaksamaan Markov karena dalam perhiungannya menggunakan variansi dari peubah acak yang memberikan informasi mengenai penyebaran aau keragaman daa. Sebagai bahan perbandingan pula akan diberikan abel perbandingan nilai P ( µ a) secara eksak dengan nilai P ( µ a) yang diperoleh dengan menggunakan peridaksamaan Markov dan Chebyshev dengan kasus yang sama seperi Conoh.1 P ( µ a) eksak Hasil P ( µ a) dari P. Markov P ( 5 1) P ( 5 ) P ( 5 3) P ( 5 4) Tabel 3 Hasil P ( µ a) dari P.Chebyshev Tabel perbandingan P ( a) eksak dan hampiran dari peridaksamaan Chebyshev unuk disribusi binomial (10, 1/) Terliha dari Tabel 3, pada kasus ini, baas aas dari peridaksamaan Markov dan peridaksamaan Chebyshev hampir sama, meskipun jauh dari nilai eksaknya. Keduanya menghasilkan hasil yang selalu over esimaed. Akan eapi, hasil dari peridaksamaan Chebyshev lebih kecil dari peridaksamaan Markov. Teapi perlu diperhaikan, bahwa sudi banding anara Markov dan Chebyshev di aas, hanya dilakukan pada beberapa nilai, menginga syara besar a pada peridaksamaan (.5) harus posiif. Nilai aksiran Markov unuk a = 1,,..., 5 idak bisa dibandingkan dengan hampiran Chebyshev. Hal ini disebabkan sifa seangkup dari peridaksamaan Chebyshev. 10
7 Unuk kasus koninu, seperi pada Conoh., di bawah ini diberikan pula hasil perhiungan dari peridaksamaan Chebyshev kemudian dibandingkan dengan peridaksamaan Markov P ( µ a) Eksak Hasil P ( µ a) Dari P. Markov P ( 5 1) P ( 5 ) P ( 5 3) P ( 5 4) Hasil P ( µ a) dari P.Chebyshev Tabel perbandingan P E a (( [ ]) ) Tabel 4 eksak dan hampiran dari peridaksamaan Chebyshev unuk disribusi normal (5,10) Terliha dari Tabel 4, pada kasus ini, baas aas dari peridaksamaan Markov dan Chebyshev hampir sama, meskipun jauh dari nilai eksaknya. Keduanya menghasilkan hasil yang selalu over-esimaed. Akan eapi, hasil dari peridaksamaan Chebyshev lebih kecil dari peridaksamaan Markov kecuali unuk P ( 5 1). Sama halnya dengan peridaksamaan Markov, peridaksamaan Chebyshev juga erbaas di 1 karena menghampiri nilai peluang. Oleh karena iu, hasil sebenarnya dari peridaksamaan Chebyshev yang lebih dari 1 dapa digani menjadi bernilai 1. Dari abel 3 dan 4 dapa disimpulkan bahwa peridaksamaan Chebyshev dapa menghampiri nilai P ( µ a) dengan cukup deka dengan nilai sebenarnya. Dapa diperhaikan juga karena nilai variansi cukup besar, hasil baas dari peridaksamaan Chebyshev unuk a yang kecil kurang begiu deka dengan nilai sebenarnya. Dapa dikaakan bahwa peridaksamaan Chebyshev lebih baik dibandingkan peridaksamaan Markov. Akan eapi, hal ini belum menjadikan peridaksamaan ini selalu menghasilkan nilai yang paling baik karena raaan dan variansi belum menggambarkan disribusi secara keseluruhan.. 11
8 Dari sudi singka di aas dapa diambil beberapa kesimpulan mengenai peridaksamaan Chebyshev, yaiu 1. Peridaksamaan ini adalah perbaikan dari peridaksamaan Markov, khususnya unuk sembarang disribusi. Pada beberapa nilai a, hampiran yang diberikan masih cukup jauh dari nilai sebenarnya, baas aas bisa lebih dari Meskipun elah memasukkan fakor variansi, eapi jika ada dua peubah acak dimana masing-masing disribusi peluangnya berlainan, eapi raaan dan variansinya sama, maka baas aas dari peridaksamaan Chebyshev pada masing-masing peubah acak ersebu akan bernilai sama Sebagai ambahan, jika di lapangan ingin dipakai peridaksamaan ini, eapi E [ ] = µ dan variansi idak dikeahui, maka µ dan σ masing dapa diaksir oleh raaan sampel (raaan arimaika) dan variansi sampel S. n 1 Lalu bagaimana jika diinginkan peridaksamaan yang dapa menghasilkan nilai hampiran yang lebih deka dengan nilai sebenarnya? Di dalam dunia informaika mulai dikenal peridaksamaan Chernoff..4 Peridaksamaan Chernoff Peridaksamaan Chernoff ini dikemukakan oleh Herman Chernoff, seorang maemaikawan Amerika, pada ahun 195 [8]. Peridaksamaan ini menggunakan fungsi pembangki momen dalam perhiungannya, karena iu banyak pendapa bahwa peridaksamaan ini menghasilkan nilai yang lebih akura, deka dengan nilai sebenarnya karena fungsi pembangki momen cukup mewakili informasi disribusi secara keseluruhan. Hal ini disebabkan sifa fungsi pembangki momen yang sau-sau pada dengan disribusinya. Misal M () = E e adalah fungsi pembangki momen unuk variabel acak. Maka unuk 0 dan a > 0, dengan menggunakan peridaksamaan Markov dapa diperoleh a P ( a) = Pe { e} a E e e 1
9 Sedangkan unuk < 0 dan a > 0 diperoleh a P ( a) = Pe { e} a E e e Peridaksamaan ini dikenal dengan sebuan Chernoff bounds. ( ) a ( ) ( ) a ( ) P a e M, unuk seiap > 0 P a e M, unuk seiap < 0 (liha Ross, 1997, A Firs Course in Probabiliy, hal 415) (.6) Karena Chernoff bounds memenuhi semua nilai baik posiif aau negaif, dapa dicari nilai a baas dari P( a) dengan menggunakan yang dapa meminimumkan e M( ). Benuk peridaksamaan (.6) di aas merupakan benuk umum dari peridaksamaan Chernoff..5 Peridaksamaan Chernoff unuk Beberapa Disribusi Telah disebukan sebelumnya bahwa peridaksamaan Chernoff menggunakan fungsi pembangki momen yang berfungsi sau-sau dengan fungsi disribusi. Oleh karena iu, benuk peridaksamaan Chernoff akan berbeda unuk seiap disribusi. Di sini akan dibahas pembenukan peridaksamaan Chernoff unuk beberapa disribusi. A. Disribusi Geomerik (G(p)) Beriku ini akan diberikan pembenukan peridaksamaan Chernoff unuk disribusi Geomerik,G(p). Fungsi pembangki momen unuk disribusi ini mengandung fungsi eksponensial dan juga benuk pecahan sehingga perhiungan maemaisnya akan cukup suli. Fungsi pembangki momen unuk disribusi geomerik dapa diberikan sebagai beriku, M ( ) = E[ e ] M( ) = = e x= 1 = pe = pe e x= 1 n= 0 p(1 p) ( e (1 p)) ( e (1 p)) p (1 p) x 1 n (.7) 13
10 P ( a) e E e (.8) a Benuk peridaksamaan (.8) di aas mengandung e a di sebelah kanannya. Hal ini akan menyulikan perhiungan, unuk iu ln-kan peridaksamaan ersebu, menginga ln adalah suau ransformasi yang bersifa mengawekan kemonoonan. Jadi peridaksamaan ini dapa diubah menjadi ln P( a) a + ln E e p a + ln e (1 p) (.9) Selanjunya harus dicari yang paling opimal agar baas aas P ( a ) dapa dihampiri dengan baik. Tiik ini dicari dengan meminimumkan ruas kanan dari peridaksamaan (.9). Dengan menurunkan fungsi di ruas kanan ersebu erhadap dan menyamadengankannya dengan 0, bisa didapakan yang paling sederhana yaiu p a + ln e (1 p) = 0 ( a + ln p ln( e (1 p))) = 0 a e + = 0 e (1 p ) ( a 1) e = a(1 p) e a(1 p) = ( a 1) a(1 p) = ln ( a 1) a(1 p) = ln. Selanjunya ini akan menghasilkan a 1 P( a) e a. e p (1 p) = e a(1 p) ln a. a 1 e p a(1 p) ln a 1 (1 p) Jadi a(1 p) p( a 1) P ( a). a 1 1 p a (.10) 14
11 Jadi benuk peridaksamaan (.10) merupakan benuk peridaksamaan Chernoff unuk disribusi geomerik (G(p)) B. Disribusi Binomial (B(n,p)) Fungsi pembangki momen unuk disribusi binomial (B(n.p)) dapa diberikan sebagai beriku n M ( ) = [(1 p) + pe ] Fungsi pembangki momen ersebu dapa disubsiusikan ke dalam benuk peridaksamaan (.8) sehingga diperoleh a n P ( a) e [(1 p) + pe] (.11) Benuk peridaksamaan (.11) di aas mengandung a e di sebelah kanannya. Hal ini akan menyulikan perhiungan, unuk iu ln-kan peridaksamaan ersebu, menginga ln adalah suau ransformasi yang bersifa mengawekan kemonoonan. Jadi peridaksamaan ini dapa diubah menjadi ln P ( a) a + n.ln((1 p) + kemudian akan dicari yang opimal dengan menurunkan fungsi yang ada di sebelah kanan peridaksamaan erhadap ( a + n.ln((1 p) + pe )) = 0 npe. a + = 0 (1 p) + pe a(1 p) e = p( n a) a(1 p) Sehingga didapa yang opimal adalah = ln p( n a) pe ) Nilai yang elah diperoleh disubsiusikan ke dalam benuk peridaksamaan (.11) a P ( a) e [(1 p) + pe] pn ( a) n(1 p) a(1 p) n a a n (.1) Jadi benuk peridaksamaan (.1) merupakan benuk Peridaksamaan Chernoff unuk disribusi binomial (B(n,p)) 15
12 C. Disribusi Poisson (P(λ)) Fungsi pembangki momen unuk disribusi Poisson (P(λ)) dapa diberikan sebagai beriku M( ) = e λ( e 1) Fungsi pembangki momen ersebu dapa disubsiusikan ke dalam benuk peridaksamaan (.8) sehingga diperoleh P( a) e a λ ( e e 1) (.13) Benuk peridaksamaan (.13) di aas mengandung a e di sebelah kanannya. Hal ini akan menyulikan perhiungan, unuk iu ln-kan peridaksamaan ersebu, menginga ln adalah suau ransformasi yang bersifa mengawekan kemonoonan. Jadi peridaksamaan ini dapa diubah menjadi ln P( a) a + λ ( e kemudian akan dicari yang opimal dengan menurunkan fungsi yang ada di sebelah kanan peridaksamaan erhadap ( a + λ( e 1)) = 0 a+ e λ = 0 a e = λ a Sehingga didapa opimal adalah = ln λ 1) Nilai yang elah diperoleh disubsiusikan ke dalam benuk peridaksamaan (.13) a ln a λ a P ( a) e + λ ( ) 1 λ (.14) λ a a e ( a λ ) Jadi benuk peridaksamaan (.14) merupakan benuk peridaksamaan Chernoff unuk disribusi Poisson (P(λ)) 16
13 D. Disribusi Normal (N(µ,σ )) Fungsi pembangki momen unuk disribusi normal (N(µ,σ )) dapa diberikan sebagai beriku M ( ) = e µ +σ Fungsi pembangki momen ersebu dapa disubsiusikan ke dalam benuk peridaksamaan (.8) sehingga diperoleh P( µ +σ a) e a. e (.15) Benuk peridaksamaan (.15) di aas mengandung a e di sebelah kanannya. Hal ini akan menyulikan perhiungan, unuk iu ln-kan peridaksamaan ersebu, menginga ln adalah suau ransformasi yang bersifa mengawekan kemonoonan. Jadi peridaksamaan ini dapa diubah menjadi µ + σ ln P ( a) a+ kemudian akan dicari yang opimal dengan menurunkan fungsi yang ada di sebelah kanan peridaksamaan erhadap µ + σ ( a + ) = 0 µ a+ + σ = 0 a µ = σ Nilai yang elah diperoleh disubsiusikan ke dalam benuk peridaksamaan (.15) µ + σ µ + σ a+ a P ( a) e. e = e e 4 a( µ a) µ 8σ (.16) Jadi benuk peridaksamaan (.16) merupakan benuk peridaksamaan Chernoff unuk disribusi normal (N(µ,σ )). 17
14 E. Disribusi Gamma (G(α,β)) Fungsi pembangki momen unuk disribusi gamma (G(α,β)) dapa diberikan sebagai beriku M ( ) = (1 β) α dengan < 1 β Fungsi pembangki momen ersebu dapa disubsiusikan ke dalam benuk peridaksamaan (.8) sehingga diperoleh a P( a) e.(1 β) α (.17) Benuk peridaksamaan (.17) di aas mengandung a e di sebelah kanannya. Hal ini akan menyulikan perhiungan, unuk iu ln-kan peridaksamaan ersebu, menginga ln adalah suau ransformasi yang bersifa mengawekan kemonoonan. Jadi peridaksamaan ini dapa diubah menjadi ln P ( a) a+ ln(1 β) α kemudian akan dicari yang opimal dengan menurunkan fungsi yang ada di sebelah kanan peridaksamaan erhadap a α ( e (1 β) ) = 0 αβ a + = 0 1 β, dengan < a αβ = aβ 1 α = β a 1 β Nilai yang elah diperoleh disubsiusikan ke dalam benuk peridaksamaan (.17) 1 α a β a α 1 α P ( a) e. 1 β β a 1 dengan <, α > 0, a > 0 -(.18) αβ a α β αβ β e a Jadi benuk peridaksamaan (.18) merupakan benuk Peridaksamaan Chernoff unuk disribusi gamma (G(α,β)) 18
15 Dari uraian Sub-Bab.5 ini dapa disajikan dalam benuk abel benuk-benuk peridaksamaan Chernoff unuk beberapa disribusi Disribusi Peridaksamaan Chernoff Binomial (n,p) p( n a) n(1 p) P ( a) a(1 p) n a a n Poisson (λ) Gamma (α,β) Normal (µ,σ ) P a λ ( a λ) P ( a) e a αβ a α β αβ ( a) e. dengan P a 1 <, α > 0, a > 0 β 4a( µ a) µ 8σ ( a) e Tabel 5 Tabel Peridaksamaan Chernoff unuk Beberapa Disribusi Peridaksamaan Chernoff dikaakan memberikan nilai peluang dari peubah acak dalam suau selang yang cukup deka dengan nilai sebenarnya karena menggunakan fungsi pembangki momen dari disribusi peubah acak ersebu, yang mana fungsi pembangki momen iu berfungsi sau-sau dengan fungsi disribusi. Pembenukan peridaksamaan Chernoff dengan ahapan di aas hanya berlaku unuk suau populasi yang elah dikeahui disribusi daanya. Sebaliknya jika disribusi dari idak dikeahui disribusinya, peridaksamaan Chernoff ini masih bisa dierapkan, dengan cara: 1. Mencari disribusi dengan melalui meode pencocokan (fiing disribuion, kemudian memakai disribusi pilihan ini sebagai informasi unuk menenukan fungsi pembangki momennya. Melalui cara ini, bisa memungkinkan lebih dari sau disribusi yang bisa erpilih. Unuk iu dibuuhkan uji kecocokan anaara daa dan disribusi yang dipilih.. Menenukan fpm aksiran, dengan menganggap daa sebagai peubah acak diskri. Cara ini sanga suli, karena sanga erganung dari daa dan juga pengelompokkan yang dipilih. 19
16 .6 Penggunaan Peridaksamaan Chernoff Unuk membandingkan penggunaan keiga peridaksamaan, dapa dilakukan perhiungan unuk disribusi binomial dan normal seperi Conoh.1 dan.. Penggunaan keiga peridaksamaan unuk Conoh.1 dapa diberikan dalam abel perbandingan nilai P ( µ a) secara eksak dengan nilai P ( µ a) yang diperoleh dengan menggunakan Peridaksamaan Markov, Chebyshev, dan Chernoff unuk suau disribusi binomial (10, 1/). P ( µ a) eksak Hasil P ( µ a) dari P. Markov Hasil P ( µ a) dari P.Chebyshev P ( 5 1) P ( 5 ) P ( 5 3) P ( 5 4) Tabel 6 Hasil P ( µ a) dari P.Chernoff Tabel perbandingan P( µ a) eksak dan hampiran dari peridaksamaan Chernoff unuk disribusi binomial (10, 0.5) Selain iu, akan dibandingkan pula penggunaan peridaksamaan Markov, Chebyshev, dan Chernoff unuk Conoh. sebagai beriku P ( µ a) Eksak Hasil P ( µ a) dari P. Markov Hasil P ( µ a) dari P.Chebyshev P ( 5 1) P ( 5 ) P ( 5 3) P ( 5 4) Tabel 7 Hasil P ( µ a) dari P.Chernoff Tabel perbandingan P( µ a) eksak dan hampiran dari peridaksamaan Chernoff unuk disribusi normal (5,10) Selain benuk umum Peridaksamaan Chernoff yang disebukan pada peridaksamaan (.4) dan benuk-benuk peridaksamaan unuk beberapa disribusi yang disajikan dalam Tabel 5, 0
17 ada sau eorema yang menyangku benuk peridaksamaan Chernoff unuk peubah acak binomial, yaiu sebagai beriku : Teorema 1 Jika merupakan peubah acak binomial dengan ekspekasi E[ ], P[ > (1 + δ ) E[ ]] < e δ E[ ] 3 P [ < (1 δ ) E [ ]] < e dengan 0 < δ 1 δ E[ ] Pembukian eorema ini erdapa pada Lampiran A.3 Benuk peridaksamaan ini cukup banyak diaplikasikan dalam perhiungan, eruama dalam dunia kompuasi karena berlaku unuk peubah acak diskri. Selain iu benuknya pun mudah unuk digunakan. Beriku ini merupakan conoh penggunaannya Conoh.3: Dalam suau permainan anara dua orang, peluang orang perama menang adalah /3. Permainan ersebu dilakukan sebanyak 30 kali. Berapakah peluang erjadinya orang perama menang idak lebih dari seengah permainan? Dalam menyelesaikan permasalahan ini dapa digunakan benuk Peridaksamaan Chernoff dalam eorema 1 Misalkan adalah peubah acak binomial yang menyaakan banyaknya kemenangan dalam permainan. E [ ] = np. = 30. = 0 3 P ( < 15) = P ( > (1 δ )0) maka P ( < 15) < e (1/ 4).0 3 P ( > 15) < δ = selanjunya dapa dilakukan perhiungan 4 dengan menggunakan peridaksamaan Chebyshev didapakan P ( < 15) < 0.66 Pada conoh.3 ini dapa diliha bahwa peridaksamaan Chebyshev malah memberikan baas yang lebih baik. Dapa diperkirakan bahwa yang berperan dalam permasalahan ini adalah 1
18 parameer δ. Unuk iu akan diberikan conoh lainnya yang memberikan nilai parameer δ yang deka dengan 1. Conoh.4: Dengan permainan yang serupa seperi conoh 1, berapa peluang erjadinya orang perama menang idak lebih dari 1/6 permainan? 3 Peridaksamaan Chernoff pada eorema 1 akan menghasilkanδ = sehingga e 16 P ( < 5) < = dengan menggunakan Peridaksamaan Chebyshev dapa diperoleh P< ( 5) < 0.09 Dapa disimpulkan bahwa unuk δ yang mendekai 1 Peridaksamaan Chernoff menghasilkan baas yang lebih baik dibandingkan Peridaksamaan Chebyshev. Selain iu, conoh kasus lain yang menunjukkan keakuraan peridaksamaan Chernoff adalah pada kasus sebagai beriku Conoh.5: Dengan permainan yang serupa seperi conoh 1, eapi permainan dilakukan sebanyak 300 kali. Berapa peluang erjadinya orang perama menang idak lebih dari seengah permainan? Peridaksamaan Chernoff pada eorema 1 akan menghasilkan P( < 150) < 0.066, sedangkan Peridaksamaan Chebyshev menghasilkan P ( < 150) < Dapa disimpulkan pula bahwa unuk n yang besar, Peridaksamaan Chernoff akan menghasilkan baas yang lebih baik..7 Skema Penggunaan Peridaksamaan Teori saisika inferensi erdiri aas meode unuk menarik inferensi aau rampaan mengenai populasi [1]. Dalam melakukan saisika inferensi ini di lapangan ada beberapa kemungkinan yang erjadi. Kemungkinan perama, disribusi dari populasi dikeahui secara penuh aau menyeluruh. Hal ini akan memudahkan karena perhiungan peluang dapa langsung dilakukan dengan menggunakan fungsi disribusinya. Akan eapi, bagaimana halnya dengan populasi yang hanya dikeahui sebagian informasinya? Misalnya hanya dikeahui raaannya saja aau
19 variansinya saja. Dalam hal ini peridaksamaan dapa berperan. Skema penggunaan peridaksamaan dapa diliha di bawah ini, POPULASI f (x) Dikeahui secara menyeluruh Hanya dikeahui sebagian informasi Mis: raaan dan variansi Peluang suau selang ((P(=c) aau P(a<<b)) dicari dengan peridaksamaan fiing disribuion Markov Chebyshev Chernoff P( a) dapa dihiung secara eksak dengan menggunakan f (x) 3
20 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya elah dibahas mengenai peridaksamaan Chernoff dengan erlebih dahulu diberi pemaparan mengenai dua peridaksamaan yang sudah cukup sering dipergunakan yaiu peridaksamaan Markov dan peridaksamaan Chebyshev. Telah disebukan bahwa peridaksamaan Chernoff memberikan baas yang paling deka dengan nilai sebenarnya. Unuk membandingkan baas yang dihasilkan oleh keiga peridaksamaan ersebu pada suau populasi dapa dilakukan sebuah simulasi. Simulasi dilakukan dengan mengenerae daa unuk sebuah disribusi kemudian menghiung nilai peluang suau selang erenu dengan menggunakan frekuensi relaif yang dihiung dari daa ersebu (anpa meliha disribusinya). Hasil perhiungan secara eksak akan dibandingkan dengan hasil perhiungan dengan menggunakan keiga benuk peridaksamaan. Beriku ini hasil simulasi unuk disribusi binomial dan disribusi normal: 3. Simulasi unuk Disribusi Binomial Pada simulasi perama unuk suau daa berdisribusi binomial (10, 0.30) di-generae sebanyak 300 daa, sebagai beriku Frekuensi frekuensi relaif Frekuensi relaif komulaif hampiran peluang binomial (10, 0.3) (sumber: Walpole)
21 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI Frekuensi frekuensi relaif Frekuensi relaif komulaif hampiran peluang binomial (10, 0.3) (sumber: Walpole) Tabel 8 Daa Simulasi 1 Disribusi penyebaran daa simulasi 1 ersebu dapa digambarkan dalam hisogram beriku: Hisogram Daa Simulasi frekuensi x Gambar 1 Hisogram Daa Simulasi 1 selain iu saisik dari daa ersebu dapa disajikan sebagai beriku : Univariae Saisics Variable 1 Coun 300 Sum 958 Average 3.19 Median 3 Mode 3 Minimum 0 Maximum 8 Range 8 Sandard Deviaion
22 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI Variance.97 Skewness Kurosis Tabel 9 Tabel Informasi Saisik unuk Daa Simulasi 1 Dari informasi di aas dapa diliha bahwa range daa cukup besar. Hal ini juga menyebabkan daa ersebar cukup luas. Tiik puncak dari daa berada di sekiar raaan, sehingga kemiringan dari grafik daa pun cukup kecil. Dalam melakukan simulasi penggunaan peridaksamaan pada disribusi daa ini diambil nilai peluang salah sau selang yaiu P( 4). Nilai peluang secara eksak dapa dihiung dengan menggunakan frekuensi relaifnya P( 4) = 1 P( = < 4) = 1 [ P( = 3) + P( = ) + P( = 1) + P( = 0)] (3.) Kemudian dengan menggunakan peridaksamaan dapa diperoleh hasil sebagai beriku Peridaksamaan Markov: E[ ] 3.19 P ( 4) = = (3.3) 4 4 Peridaksamaan Chebyshev: σ P( ) σ + (0.81).97 P( ), P( 4) 0.77 (3.4) Dalam menghiung baas aas peridaksamaan Chernoff P( 4) erdapa sediki kesulian dalam mencari benuk fungsi pembangki momen hampirannya. Perlu banuan kompuer dalam mencari fungsi ersebu. Fungsi pembangki momen hampirannya ersebu dihiung dengan menggunakan kompuasi sehingga didapakan hasil peridaksamaan Chernoff sebagai beriku: P ( 4) 0.74 (3.5) 6
23 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI Dari simulasi daa yang erdisribusi binomial (10, 0.30) ini dapa diunjukkan bahwa peridaksamaan Chernoff menghasilkan baas yang paling baik, mendekai nilai sebenarnya. Hal ini bisa diakibakan karena jumlah daanya yang cukup banyak aau karena penyebaran daanya yang cukup besar. Simulasi lain dilakukan unuk beberapa nilai p, misalnya unuk p=0.5 dengan daa sebagai beriku : Frekuensi frekuensi relaive Tabel 10 Tabel Daa Simulasi Binomial (10, 0.5) Peridaksamaan Chernoff juga memberikan baas yang paling akura pada simulasi ini. Simulasi lain juga dilakukan unuk disribusi dari peubah acak koninu, yaiu disribusi normal. Hasil simulasi ersebu dapa diliha sebagai beriku 3.3 Hasil Simulasi unuk Disribusi Normal Pada simulasi perama unuk disribusi normal di-generae daa sebanyak 00 dengan mean ) (µ = 7 dan sandar deviasi ( ) σ = Selang nilai engah Frekuensi Frekuensi relaive frekuensi relaive komulaif
24 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI Selang nilai engah Frekuensi Frekuensi relaive frekuensi relaive komulaif Tabel 11 Daa Simulasi Daa menah unuk simulasi ini dapa diliha pada lampiran C. Disribusi penyebaran daa simulasi ersebu dapa digambarkan dalam hisogram beriku: Hisogram Daa Simulasi frekuensi x Gambar Hisogram Daa Simulasi Dengan saisik yang diperoleh dari daa ersebu sebagai beriku : Univariae Saisics Variable 1 Coun 00 Sum 1, Average Median Minimum.100 Maximum
25 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI Range Sandard Deviaion Variance Skewness Kurosis Tabel 1 Tabel Informasi Saisik Daa Simulasi Dari informasi di aas dapa dikeahui bahwa range daa cukup besar. Hal ini juga menyebabkan daa ersebar cukup luas. Tiik puncak dari daa berada di sekiar raaan, sehingga kemiringan dari grafik daa pun cukup kecil. Dalam melakukan simulasi penggunaan peridaksamaan pada disribusi daa koninu ini diambil nilai peluang salah sau selang yaiu P( 7). Nilai peluang secara eksak dapa dihiung dengan menggunakan frekuensi relaifnya P ( 7) = 1 P ( < 7) = 0.45 (3.6) aau jika kia menggunakan abel disribusi normal [1] bisa didapakan P ( 7) = 1 P ( < 7) = 0. 5 Kemudian dengan menggunakan peridaksamaan dapa diperoleh hasil sebagai beriku Peridaksamaan Markov : P( P( E[ ] 7) 7 (3.7) ) = Peridaksamaan Chebyshev: P ( σ ) σ + ( ) P ( 7) = (3.8) Dalam menghiung baas aas peridaksamaan Chernoff P( 7) erdapa sediki kesulian dalam mencari benuk fungsi pembangki momen hampirannya. Perlu banuan 9
26 BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI kompuer dalam mencari fungsi ersebu. Fungsi pembangki momen hampirannya ersebu dihiung dengan menggunakan kompuasi dan akan didapakan hasil peridaksamaan Chernoff sebagai beriku: P ( 7) (3.9) Simulasi lain dilakukan unuk beberapa disribusi normal lainnya dan menghasilkan hal yang serupa. Peridaksamaan Chernoff menghasilkan baas yang paling akura mendekai nilai sebenarnya. Dari simulasi ini dapa diunjukkan bahwa unuk beberapa kasus pada disribusi binomial dan normal, peridaksamaan Chernoff selalu menghasilkan baas aas dari nilai peluang P( a) yang lebih akura dibandingkan peridaksamaan Markov dan Chebyshev. Meskipun dalam perhiungannya lebih suli dikerjakan dibandingkan dengan kedua peridaksamaan lainnya. 30
BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciB a b 1 I s y a r a t
TKE 305 ISYARAT DAN SISTEM B a b I s y a r a Indah Susilawai, S.T., M.Eng. Program Sudi Teknik Elekro Fakulas Teknik dan Ilmu Kompuer Universias Mercu Buana Yogyakara 009 BAB I I S Y A R A T Tujuan Insruksional.
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinci1.1 Konsep Distribusi
BAB DISTRIBUSI PELUANG DALAM EVALUASI KEANDALAN SISTEM. Konsep Disribusi P ada bab sebelumnya elah beberapa konsep enang disribusi peluang (probabiliy disribuion) seperi probabiliy mass funcion, probabiliy
Lebih terperinciBAB II MATERI PENUNJANG. 2.1 Keuangan Opsi
Bab II Maeri Penunjang BAB II MATERI PENUNJANG.1 Keuangan.1.1 Opsi Sebuah opsi keuangan memberikan hak (bukan kewajiban) unuk membeli aau menjual sebuah asse di waku yang akan daang dengan harga yang disepakai.
Lebih terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
Lebih terperinciLIMIT FUNGSI. 0,9 2,9 0,95 2,95 0,99 2,99 1 Tidak terdefinisi 1,01 3,01 1,05 3,05 1,1 3,1 Gambar 1
LIMIT FUNGSI. Limi f unuk c Tinjau sebuah fungsi f, apakah fungsi f ersebu sama dengan fungsi g -? Daerah asal dari fungsi g adalah semua bilangan real, sedangkan daerah asal fungsi f adalah bilangan real
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciBAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI
BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya telah dibahas mengenai pertidaksamaan Chernoff dengan terlebih dahulu diberi pemaparan mengenai dua pertidaksamaan
Lebih terperinciBAB 2 LANDASAN TEORI
15 BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian 2.1.1 Definisi Ruang Sampel Himpunan semua hasil semua hasil (oucome) yang mungkin muncul pada suau percobaan disebu ruang sampel dan dinoasikan dengan
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciRANK DARI MATRIKS ATAS RING
Dela-Pi: Jurnal Maemaika dan Pendidikan Maemaika ISSN 089-855X ANK DAI MATIKS ATAS ING Ida Kurnia Waliyani Program Sudi Pendidikan Maemaika Jurusan Pendidikan Maemaika dan Ilmu Pengeahuan Alam FKIP Universias
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Persediaan Persediaan adalah barang yang disimpan unuk pemakaian lebih lanju aau dijual. Persediaan dapa berupa bahan baku, barang seengah jadi aau barang jadi maupun
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciBAB III HASIL DAN PEMBAHASAN. A. Permasalahan Nyata Penyebaran Penyakit Tuberculosis
BAB III HASIL DAN PEMBAHASAN A. Permasalahan Nyaa Penyebaran Penyaki Tuberculosis Tuberculosis merupakan salah sau penyaki menular yang disebabkan oleh bakeri Mycobacerium Tuberculosis. Penularan penyaki
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekaan Peneliian Jenis peneliian yang digunakan dalam peneliian ini adalah peneliian evaluasi dan pendekaannya menggunakan pendekaan kualiaif non inerakif (non
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryano Sudirham Sudi Mandiri Inegral dan Persamaan Diferensial ii Darpublic 4.1. Pengerian BAB 4 Persamaan Diferensial (Orde Sau) Persamaan diferensial adalah suau persamaan di mana erdapa sau aau lebih
Lebih terperinciVolume 1, Nomor 1, Juni 2007 ISSN
Volume, Nomor, Juni 7 ISSN 978-77 Barekeng, Juni 7 hal6-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variance Mulivaria Analysis for Experimen wih Complee Random
Lebih terperinciPERSAMAAN GERAK VEKTOR SATUAN. / i / = / j / = / k / = 1
PERSAMAAN GERAK Posisi iik maeri dapa dinyaakan dengan sebuah VEKTOR, baik pada suau bidang daar maupun dalam bidang ruang. Vekor yang dipergunakan unuk menenukan posisi disebu VEKTOR POSISI yang diulis
Lebih terperinciSEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galatia Ballangan)
SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galaia Ballangan) SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Saionary Disribuion of Swiss Bonus-Malus
Lebih terperinci1.4 Persamaan Schrodinger Bergantung Waktu
.4 Persamaan Schrodinger Berganung Waku Mekanika klasik aau mekanika Newon sanga sukses dalam mendeskripsi gerak makroskopis, eapi gagal dalam mendeskripsi gerak mikroskopis. Gerak mikroskopis membuuhkan
Lebih terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
Lebih terperinciPENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA
ISSN 5-73X PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR ISIKA SISWA Henok Siagian dan Iran Susano Jurusan isika, MIPA Universias Negeri Medan Jl. Willem Iskandar, Psr V -Medan
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinci1 dz =... Materi XII. Tinjaulah integral
Maeri XII Tujuan :. Mahasiswa dapa memahami menyelesiakan persamaan inegral yang lebih kompleks. Mahasiswa mampunyelesiakan persamaan yang lebih rumi 3. Mahasiswa mengimplemenasikan konsep inegral pada
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
1 I PENDAHULUAN 11 Laar Belakang Seiap orang mendambakan berheni bekerja di suau masa dalam siklus kehidupannya dan menikmai masa uanya dengan enram Terjaminnya kesejaheraan di masa ua akan mencipakan
Lebih terperinciHIDDEN MARKOV MODEL. Proses Stokastik dapat dipandang sebagai suatu barisan peubah acak dengan T adalah parameter indeks dan X
BAB II HIDDE MARKOV MODEL.. Pendahuluan Proses Sokasik dapa dipandang sebagai suau barisan peubah acak { X, } dengan adalah parameer indeks dan X menyaakan keadaan pada saa. Himpunan dari semua nilai sae
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciIII. PEMODELAN HARGA PENGGUNAAN INTERNET
8 III EMODELAN HARGA ENGGUNAAN INTERNET 3 Asumsi dan Model ada peneliian ini diperhaikan beberapa asumsi yaiu sebagai beriku: Waku anarkedaangan menyebar eksponensial dengan raaan λ - (laju kedaangan adalah
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciAnalisis Rangkaian Listrik Di Kawasan s
Sudaryano Sudirham Analisis angkaian Lisrik Di Kawasan s Sudaryano Sudirham, Analisis angkaian Lisrik () BAB 3 Fungsi Jargan Pembahasan fungsi jargan akan membua kia memahami makna fungsi jargan, fungsi
Lebih terperinciANALISIS ANTRIAN ANGKUTAN UMUM BUS ANTAR KOTA REGULER DI TERMINAL ARJOSARI
Achmadi, Analisis Anrian Angkuan Umum Bus Anar Koa Reguler di Terminal ANALISIS ANTRIAN ANGKUTAN UMUM BUS ANTAR KOTA REGULER DI TERMINAL ARJOSARI Seno Achmadi Absrak : Seiring dengan berkembangnya aku,
Lebih terperinciEstimasi Fungsi Tahan Hidup Virus Hepatitis di Kabupaten Jember (Estimating of Survival Function of Hepatitis Virus in Jember)
Jurnal ILMU DASAR Vol. 8 No. 2, Juli 2007 : 135-141 135 Esimasi Fungsi Tahan Hidup Virus Hepaiis di Kabupaen Jember (Esimaing of Survival Funcion of Hepaiis Virus in Jember) Mohamad Faekurohman Saf Pengajar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 robabilias 2.1.1 Definisi robabilias adalah kemungkinan yang daa erjadi dalam suau erisiwa erenu. Definisi robabilias daa diliha dari iga macam endekaan, yaiu endekaan klasik,
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciPENGGUNAAN DISTRIBUSI PELUANG JOHNSON SB UNTUK OPTIMASI PEMELIHARAAN MESIN
M-6 PENGGUNAAN DISTRIBUSI PELUANG JOHNSON SB UNTUK OPTIMASI PEMELIHARAAN MESIN Enny Suparini 1) Soemarini 2) 1) & 2) Deparemen Saisika FMIPA UNPAD arhinii@yahoo.com 1) ine_soemarini@yahoo.com 2) Absrak
Lebih terperinciUJI BREDENKAMP, HILDEBRAND, KUBINGER DAN FRIEDMAN
UJI BREDENKAP, HILDEBRAND, KUBINGER DAN FRIEDAN Firi Caur Lesari ABSTRACT Saisics is a science ha has imporan role in decision making The decision is made based on he daa and uses cerain mehods, especially
Lebih terperinci3. Kinematika satu dimensi. x 2. x 1. t 1 t 2. Gambar 3.1 : Kurva posisi terhadap waktu
daisipayung.com 3. Kinemaika sau dimensi Gerak benda sepanjang garis lurus disebu gerak sau dimensi. Kinemaika sau dimensi memiliki asumsi benda dipandang sebagai parikel aau benda iik arinya benuk dan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciKINEMATIKA GERAK LURUS
Kinemaika Gerak Lurus 45 B A B B A B 3 KINEMATIKA GERAK LURUS Sumber : penerbi cv adi perkasa Maeri fisika sanga kenal sekali dengan gerak benda. Pada pokok bahasan enang gerak dapa imbul dua peranyaan
Lebih terperinciBAB 2 LANDASAN TEORI. Pengangguran atau tuna karya merupakan istilah untuk orang yang tidak mau bekerja
BAB 2 LANDASAN TEORI 2.1 Pengerian Pengangguran Pengangguran aau una karya merupakan isilah unuk orang yang idak mau bekerja sama sekali, sedang mencari kerja, bekerja kurang dari dua hari selama seminggu,
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciKINEMATIKA GERAK DALAM SATU DIMENSI
KINEMATIKA GERAK DALAM SATU DIMENSI PENDAHULUAN Kinemaika adalah bagian dari mekanika ang membahas enang gerak anpa memperhaikan penebab benda iu bergerak. Arina pembahasanna idak meninjau aau idak menghubungkan
Lebih terperinciPercobaan PENYEARAH GELOMBANG. (Oleh : Sumarna, Lab-Elins, Jurdik Fisika FMIPA UNY)
Percobaan PENYEARAH GELOMBANG (Oleh : Sumarna, Lab-Elins, Jurdik Fisika FMIPA UNY) E-mail : sumarna@uny.ac.id) 1. Tujuan 1). Mempelajari cara kerja rangkaian penyearah. 2). Mengamai benuk gelombang keluaran.
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
I. PENDAHULUAN. Laar Belakang Menuru Sharpe e al (993), invesasi adalah mengorbankan ase yang dimiliki sekarang guna mendapakan ase pada masa mendaang yang enu saja dengan jumlah yang lebih besar. Invesasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Perawaan (Mainenance) Mainenance adalah akivias agar komponen aau sisem yang rusak akan dikembalikan aau diperbaiki dalam suau kondisi erenu pada periode waku erenu (Ebeling,
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciLANDASAN TEORI. Untuk membantu tercapainya suatu keputusan yang efisien, diperlukan adanya
BAB 3 LANDASAN TEORI 3.1 Pengerian Peramalan Unuk membanu ercapainya suau kepuusan yang efisien, diperlukan adanya suau cara yang epa, sisemais dan dapa diperanggungjawabkan. Salah sau ala yang diperlukan
Lebih terperinciAnalisis Rangkaian Listrik Di Kawasan Waktu
Sudaryano Sudirham Analisis Rangkaian Lisrik Di Kawasan Waku 2-2 Sudaryano Sudirham, Analisis Rangkaian Lisrik (1) BAB 2 Besaran Lisrik Dan Model Sinyal Dengan mempelajari besaran lisrik dan model sinyal,
Lebih terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1 Waku dan Meode Peneliian Pada bab sebelumnya elah dibahas bahwa cadangan adalah sejumlah uang yang harus disediakan oleh pihak perusahaan asuransi dalam waku peranggungan
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3732
ISSN : 355-9365 e-proceeding of Engineering : Vol.3, No. Agusus 016 Page 373 Sifa Asimeris Model Prediksi Generalized Auoregressive Condiional Heerocedasiciy (GARCH) dan Sochasic Volailiy Auoregressive
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
Lebih terperinciPenduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar
Kumpulan Makalah Seminar Semiraa 013 Fakulas MIPA Universias Lampung Penduga Daa Pada Rancangan Bujur Sangkar Lain Dasar Idhia Sriliana Jurusan Maemaika FMIPA UNIB E-mail: aha_muflih@yahoo.co.id Absrak.
Lebih terperinciBAB 2 RESPONS FUNGSI STEP PADA RANGKAIAN RL DAN RC. Adapun bentuk yang sederhana dari suatu persamaan diferensial orde satu adalah: di dt
BAB ESPONS FUNGSI STEP PADA ANGKAIAN DAN C. Persamaan Diferensial Orde Sau Adapun benuk yang sederhana dari suau persamaan ferensial orde sau adalah: 0 a.i a 0 (.) mana a o dan a konsana. Persamaan (.)
Lebih terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB KINEMATIKA DENGAN ANALISIS VEKTOR
BAB KINEMATIKA DENGAN ANALISIS VEKTOR Karakerisik gerak pada bidang melibakan analisis vekor dua dimensi, dimana vekor posisi, perpindahan, kecepaan, dan percepaan dinyaakan dalam suau vekor sauan i (sumbu
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI
Seminar Nasional Informaika 24 PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI Evri Ekadiansyah Program Sudi D3 Manajemen Informaika, STMIK Poensi Uama
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian ini dilakukan di Dafarm, yaiu uni usaha peernakan Darul Fallah yang erleak di Kecamaan Ciampea, Kabupaen Bogor, Jawa Bara. Pemilihan lokasi
Lebih terperinciPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI
Seminar Nasional Informaika PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN DENGAN METODE BOBOT UNTUK MENILAI KENAIKAN GOLONGAN PEGAWAI Evri Ekadiansyah Program Sudi D Manajemen Informaika, STMIK Poensi Uama evrie9@gmail.com
Lebih terperinciBab 2 Landasan Teori
Bab 2 Landasan Teori 2.1 Keseimbangan Lini 2.1.1 Definisi Keseimbangan Lini Penjadwalan dari pekerjaan lini produksi yang menyeimbangkan kerja yang dilakukan pada seiap sasiun kerja. Keseimbangan lini
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PEELITIA Salah sau komponen peneliian yang mempunyai ari pening dalam kaiannya dengan proses sudi secara komprehensif adalah komponen meode peneliian. Meode peneliian menjelaskan bagaimana
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
Lebih terperinciSIMULASI PERGERAKAN TINGKAT BUNGA BERDASARKAN MODEL VASICEK
Jurnal Maemaika Murni dan Terapan εpsilon Vol.9 No.2 (215) Hal. 15-24 SIMULASI PEGEAKAN TINGKAT BUNGA BEDASAKAN MODEL VASICEK Shanika Marha, Dadan Kusnandar, Naomi N. Debaaraja Fakulas MIPA Universias
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
Lebih terperinci