BAB II LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI"

Transkripsi

1 BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam uuran varabl trsbut Aan ttap, dngan mntransformasan smua varabl numr mnad varabl atgor (ordnal maa ta aan mmpunya suatu data baru dngan smua varabl atgor, yang aan dsbut data atgor Manfaat atau untungan yang dapat dprolh dngan mmaa data atgor antara lan: a Ruang yang dprluan untu mnympan data mnad sangat smpt/cl dbandngan dngan data aslnya atau data prmrnya b Watu yang dprluan untu mlauan analss data aan mnad auh lbh sngat darpada mmaa data prmr mnad sangat cl c Ahrnya, hasl analss data atgor dapat dlauan atau dprtanggungawaban atas dasar pmran sbaga brut 1 Pada dasarnya, analss statst dlauan dngan tuuan untu mmplaar prbdaan atau samaan lompo-lompo ndvdu yang dbntu brdasaran atgor sbuah varabl atau lbh, antara lan prbdaan propors (prsntas, prvalns atau nsdn suatu prstwa trtntu antara lompo ndvdu yang dtnau mmplaar asosas ganda antar varabl atgor dngan mnrapan modl log lnr, atau modl rgrs logst yang mlput pnrapan statst Raso Ksamaan atau Raso Kcndrungan (RK 3 Modl asosas (orlas antara varabl atgor, sprt modl rgrs logst t dnyataan tlah mmpunya pola yang standard atau bau Shngga lbh mudah dapat dpaham dan dulang mbal dngan mmaa brbaga macam data atgor ssua dngan bdangnya masng-masng Unvrstas Sumatra Utara

2 4 d pha lan, smpulan yang dprolh brdasaran modl asosas (mprs antara varabl numr rap al tda dapat dprtanggungawaban, arna data yang dpaa pada umumnya buanlah data yang ssua Data srng trdr dar sumlah ob yang trhtung dngan atrbut trtntu yang dml olh atgor-atgor trtntu yang dsusun dalam tabl satu dmns, dua dmns, tga dmns atau bahan dalam tabl brdmns lbh tngg lag, basanya dsbut tabl ontngns satu arah, dua arah dan tga arah Masng-masng dmns atau arah brhubungan dngan sbuah lasfas dalam atgor-atgor yang mnyaan satu atrbut Tabl satu arah, pngatgorannya mungn tda rlvan untu stap analss statst Ssorang dapat mmsalan prnyataan yang dbuat-buat bahwa datanya mrupaan sampl aca dan mmprolh sbuah prraan dar mdan atau rata-rata ttap haslnya tda nformatf atau sah arna datanya tda dplh scara aca, dsn urang pngacaan uga dapat mnmbulan prtanyaan bagamana (dalam art statst stap smpulan populas yang dtrapan Pnguan n sbnarnya buan non paramtr a pnguannya mngna sbuah paramtr p yang mrnc fruns tradnya stap anga In adalah sbuah u cocoan dan goodnss of ft tst Tabl dua arah, sama formatnya ttap brbda dalam status loganya Datanya trdr dar dua sampl bbas Namun dman dalam dua asus trsbut mash dgambaran bahwa pmbdaannya dapat dabaan untu uuran sampl yang cuup yang bsar, dan dapat dgunaan u untu sampl bsar yang sama tanpa mmandang apaah pmlhannya mntapan hanya umlah sluruhan yang aan dambl samplnya dan mudan mncatat umlah masng-masng las Pada suatu adaan, ta hanya mntapan total sluruhannya pada adaan lan ta mntapan tabl sluruhan dan total bars Hal n uga mungn untu mntapan total sluruhan dan total olom, dan sama dngan prtuaran bars dan olom Pndatan u sampl bsar untu bbasan antara lasfas bars dan olom adalah sama pada sluruh Unvrstas Sumatra Utara

3 adaan trsbut, dan mrupaan u trpntng yang trgantung pada total bars dan olom pngamatan U sampl bsar yang coco dgunaan adalah u Q Cochran Tabl multarah, bla tabl dua arah dngan mudah dsaan pada rtas, tabl tga arah atau lbh palng ba dsaan dngan subtabl-subtabl dan lbh dar satu pnyaan slalu mungn Stlah data trsbut dbran dalam tabl lbh ba untu analss slanutnya dngan mmasuan tabl margnal yang dtunuan Pmbaca dapat mnyusun data n dngan susunan loga yang brbda mspun pnguan untu bbasan dapat dprluas dar tabl dua arah sampa mult arah, dan u brpasangan mngna bbasan dapat dgunaan, shngga analssnya basanya tda cuup( tda fsn dan ta srng trtar dalam mngu dngan lbh mngmbangan hpotss-hpotss, atau bahan srangaan hpotss Banya sprmn scara smultan mmplaar lbh dar dua ndpndn varabl atau lbh dar dua fator Msalnya sprmn bas mlbatan dua atgor atau dua tngatan dar satu fator, tga atgor dar fator yang dua, 5 atgor atau lma tngat dar fator yang tga, dngan sumlah n sub yang dtar scara aca dar masng-masng x3x5 lompo sprmn trsbut Eprmn sprt tu dnal dngan nama x3x5 fatoral sprmn Data yang dprolh dar sprmn sprt tu dapat donsptualsasan sbaga ubus brtga dmns, yang trdr dar bars, 3 olom dan 5 laps, dngan masng-masng n sub dar 30 sl yang brbda dalam sprmn trsbut Analss dan ntrprtas dar data yang dhaslan dar sprmn sprt tu adalah mrupaan prluasan langsung dar analss dan ntrprtas dar lasfas dua arah Dalam suatu sprmn dua-fator dngan n sub dalam stap sl, umlah uadrat total trbag dalam mpat bagan, yatu: umlah uadrat antar bars, umlah uadrat antar olom, umlah uadrat ntras dan umlah uadrat sl dalam Stap umlah uadrat mmpunya sbuah anga yang mnad anga draat bbasan Jumlah uadrat dbag dngan anga draat bbasan untu mmprolh tasran varans Unvrstas Sumatra Utara

4 atau rata-rata uadrat yang dgunaan untu mngu sgnfans pngaruh utama dan ntras Umpamaan sumlah sprmn yang mlbatan sumlah R tngatan dar fator prtama, sumlah C tngatan dar fator dua, dan sumlah L tngatan dar fator tga Jumlah sl mnad sbanya RxCxL yang dsngat mnad RCL Msalan husus dalam asus n ta mmpunya satu alat pnguuran untu stap ombnas RCL, umlah total hasl pnguuran mnad N data untu laps prtama dar angaanga hasl pnguuran tu dapat dtulsan sbaga brut: Tabl 1 Tabl Data Untu Laps Prtama Varabl L A P Varabl C Rata-rata bars E 131 1C E C 1 I S E C R 11 R 1 E R 31 RC 1 Jumlah C 1 1 Unvrstas Sumatra Utara

5 Dalam subsrp d atas ddntfasan, yang prtama sbaga bars, yang dua sbaga olom dan yang tga sbaga laps Dngan dman, msalnya 31 mnunuan obsrvas pada bars tga olom dua dar laps prtama 11 adalah rata-rata dar olom prtama dar laps ptama, sdang 1 rata-rata dar smua obsrvas yang ada pada laps prtama Adapun notas pada laps dua adalah sbaga brut: Tabl Tabl Data Untu Laps Kdua Varabl L A P Varabl C Rata-rata 11 1 E 13 1C 1 E 3 bars 1 C I S 31 3 E 33 3C 3 R 1 R E R 3 RC Jumlah 1 3 C Ktrangan: C= Column (olom R=Row (bars L= Layr (laps Unvrstas Sumatra Utara

6 Dman uga halnya dapat dtunuan laps yang tga, mpat sampa laps yang -L scara umum rc1 mnunuan yang mnunuan hasl pnguuran bars yang -r, pada olom yang -c dan pada bars yang -1harus dpaham bahwa R mnunuan anga dar bars, C mrupaan anga dar olom dan L mrupaan anga dar laps Jumlah r mnunuan bars yang -r, dmana r bas saa brupa anga 1,, R dman uga dngan c dan 1 mnunuan olom yang c dan laps yang -1 Rata-rata dar smua RCL= N adalah Χ umlah uadrat smpangan total dar ratarata umum tad dapat dtulsan: R r= 1 C c= 1 L l= 1 ( rcl Analss Brdasaran Tabl IxJxK Brdasaran data trvarat (V1, V,V3 dngan brbaga sala uuran, slalu dapat dbntu tabl brdmns tga, trmasu tabl xx Dngan sndrnya langah prtama yang harus dlauan adalah mntransformasan atau mngubah tga varabl yang dtnau mnad varabl atgor, brdasaran rtra yang dspaat atau dtntuan Dsn aan dprhatan tga varabl satu-nol, dmana smbol Y dpaa untu mnyataan varabl ta bbas atau varabl rspon dan dua varabl lannya sbaga varabl bbas yang aan dnyataan dngan smbol 1 dan Pnntuan varabl ta bbas dan varabl bbas dantara omponn trvarat (V1,V,V3 haruslah dduung olh landasan tor dan substans, arna pola asosas antar varabl dtntuan scara torts Dpha lan, scara statst ofsn asosas atau orlas antara varabl slalu dapat dhtung walaupun varabl trsbut tda brasosas scara substans Shngga, analss statsta brdasaran data trvarat mmpunya tuuan antara lan untu mnntuan modl uanttatf atau modl Unvrstas Sumatra Utara

7 statst yang ssua dngan pola hubungan torts antar tga varabl yang dtnau, yang aan dsbut modl torts 3 Uuran Asosas Brdasaran Tabl xx 31 Slsh Prvalns atau Propors Brsyarat Tabl brut mnunuan suatu bntu tabl xx tabl n mnyaan banyanya obsrvas mnurut varabl 1, dan Y yang masng-masng mrupaan varabl satu- nol Prhatanlah tabl n mmpunya mpat buah bars dan dua buah olom dan banyanya obsrvas dalam tap-tap sl dnyataan dngan smbol O untu stap, dan sama dngan satu atau nol Tabl 3 Banyanya Rspondn Mnurut Varabl 1, dan 3 Varabl Y 1 =1 Y=1 Y=0 Jumlah = = = = Jumlah N= Unvrstas Sumatra Utara

8 Sbnarnya tabl n mnggambaran ruang bdmns tga (ubus dngan sumbu 1, dan Y, yang dbag mnad 8 (xx buah ubus cl yang mmbntu dlapan buah sl yang dmuaan d atas 4 Modl Log Lnr Dalam atgor bvarat dmana dprolh nla statst Ch-uadrat dar parson (Parson Ch-Kuadrat dan Raso Ksamaan Aan ttap untu mmplaar pola asosas ganda brdasaran data trvarat atau lbh harus dtrapan Modl Log Lnr, trlbh-lbh a modl yang dtnau scara torts mnunuan hubungan antara dman banyanya varabl Modl statst Modl Log Lnr aan dpaa untu mmplaar apaah data sampl yang aan dpaa mnduung atau tda mnduung modl asosas ganda yang dhpotssan dnyataan atau dasumsan brlau untu tga varabl yang dtnau Analss yang lbh trnc mngna tabl ontngns tga dmns atau yang basanya mnggunaan pnguan pasangan yang tda sdrhana dar bbasan yang dapat dlauan pada bagan-bagan dar tabl-tabl dua arah Sumlah bsar dar modl-modl yang brbda adalah mungn dan tn analt yang modrn srng ddasaran pada modl log-lnr Dalam sbuah buu dasar-dasar statst, hal n coco hanya untu mmbran pngnalan sngat untu modl dan pnguan, dan dlasan dngan satu contoh sdrhana Tn-tn analt adalah data dsrt yang analog dngan analss varans untu data ontnu Pmbaca yang blum nal dngan analss varans modl lnr untu rancangan prcobaan dngan strutur prcobaan fatoral mungn sult untu mngut bagan n, ttap dharapan sbuah pnlasan yang mndasar aan mmbran bbrapa ndas tntang uatan modl lnr sbaga sbuah alat analt Pnrapan yang lbh sult dar mtod n mmbutuhan pngtahuan yang luas mngna statst dan trsdanya program omputr yang coco Msalan { m } mrupaan fruns harapan, dugalah smua m >0 dan msalan η = log m Tanda dot dbawah mrupaan rata-rata, sprt: η = ( η / I D dapatan: Unvrstas Sumatra Utara

9 µ = η x λ Y Z = η η, λ = η η, λ = η η Y λ + = η η η η = η η η η Z λ + YZ λ + = η η η η λ YZ = η η η η + η + η + η η Jumlah smua paramtr d atas sama dngan nol, yatu: x Y Z Y Y YZ λ = λ = λ = λ = λ = = λ = 0 Shngga bntu umum modl log lnr untu tabl ontngns tga dmns, adalah: log m = µ + λ + λ + λ + λ + λ + λ + λ Y Z Y Z YZ YZ Dalam hal pnguan n uga sama dngan analss varans tga dmns Bbrapa modl log lnr untu tabl tga dmns: Modl log-lnr smbol log m = µ + λ + λ + λ (,Y,Z Y Z log m = µ + λ + λ + λ + λ (Y,Z Y Z Y log m = µ + λ + λ + λ + λ + λ (Y,YZ Y Z Y YZ log m = µ + λ + λ + λ + λ + λ + λ (Y,YZ,Z Y Z Y YZ Z log m = µ + λ + λ + λ + λ + λ + λ + λ (YZ Y Z Y YZ Z YZ Unvrstas Sumatra Utara

10 Untu mnunuan modl log-lnr ta car bntu margnal dan partalnya dngan mnggunaan odds ratos -Y tabl margnal {π + } dngan (I-1(J-1 odds ratos, bntunya: π + π Y + 1, θ =, 1 I 1,1 J 1 π π + 1,, +, +, + Dngan dalam Z, hubungan odds ratosnya: π π + 1, + 1, θ ( =, 1 I 1,1 J 1 π π, + 1, + 1,, Mnunuan hubungan -Y Sama halnya antara dan Y ddapatan dar (I-1(K-1 Odds ratos θ } untu stap J pada Y, dan hubungan antara Y dan Z ddapatan { ( dar (J-1(K-1 odds ratos { θ } untu stap I pada Untu tabl tga dmns ( log m dalam log odds ratos, ddapat: 1 θ11(1 1 θ1(11 1 θ = = = 111 log( log log 8 θ 11( 8 θ1(1 8 θ λ YZ (111 (11 Dngan umlah nol batasannya { λ YZ } Masng-masng { λ YZ } adalah nol ta odds ratos antara dua varabl sama dngan tga varabl Bntu umumnya YZ { λ = 0} dalam tabl x x K, ta θ 11 (1 = = θ11(, shngga: Y 1 λ 11 = logθ11( untu =1 K 4 Sprt dalam asus dua dmns paramtrnya sbandng pada log odds ratos Modl Log lnr dapat dnal dngan mnggunaan hubungan odds ratos Dalam hal hubungan ndpndnt antara dan Y quvalnt trhadap { θ ( = 1 = 1,, I 1, = 1,, J 1, = 1,, K } Unvrstas Sumatra Utara

11 Knudan ta bran satu adaan yang cuup trhadap -Y odds ratos mnad sama dalam tabl parsal sprt pada tabl margnal Kta adaan sama ta dapat mmplaar gabungan -Y dngan cara mnydrhanaan mnylsaan dmns Z slanutnya, Z aan mnad varabl tunggal atau multdmns θ = θ = θ = = θ, 11 I 1,1 J 1 Y ( 1 ( ( θ 1, 1 I 1,1 J 1,1 K 1 ( = θ 1, 1 I 1,1 J 1,1 K 1 ( = Dngan ata lan, gabungan margnal da parsal -Y dsamaan a Z dan bbas (, dsmbolan dngan (Y,YZtrat, atau a Z dany bbas (, bntunya (Y,Ztrat 41 Pnrapan Modl Log Lnr Data Trvarat Dalam sbuah tabl ontngns dua dmns, nla harapan untu sl dngan hpotss bbasan atau tda ada asosas adalah = ( n + ( n+ N n slanutnya mngut 11 = ( n1 + n+ 1n+ n+ / N = 11 yatu bahwa produ slang atau dagonal adalah sama, atau = 1 Sfat pralan dan harapan untu bbasan n dapat dbandngan dngan sfat harapan adtf bla tda ada ntras dalam modl lnrnya Sbnarnya ada samaan modl-modl a ta mngambl logartma dan mnuls mrupaan dasar modl log lnr arna prsamaan ~ x = ln n Unvrstas Sumatra Utara

12 = 1 adalah sbuah onds yang dprluan untu bbasan, maa slanutnya stap hpotss yang mnybutan trgantungan mnyataan sbuah hubungan yang lbh umum = 1 1 Dngan mngambl logartmanya ta mmpunya analog modl yang brntras Prluasan untu tabl tga dmns, modlnya dapat dprluas untu tabl r x c dan lbh pntng untu tabl mult arah Prtama, ta mmbuat prluasan dar modl lnr untu tga fator masng-masng dngan dua lvl dalam onts analss varans Pnguuran ntras tlah dprnalan dalam modl dua fator yang dsbut sbuah ord prtama atau adang-adang dsbut sbuah ntras dua fator Ja ta mmpunya tga fator masng-masng pada dua lvl, ta dapat mnyaan hasl yang dharapan dalam sbuah prluasan yang las dar notas x ~,, = 1, Ja ta mmprtmbangan dua fator prtama pada lvl prtama dar fator tga (dtunuan dngan =1 ta aan mmpunya sbuah ntras prtama antara fator 1 dan fator pada lvl ttap fator 3 n a x + x x x = Ι, Ι sbaga tambahan, a ta mmpunya sbuah ntras ord prtama antara fator 1 dan fator pada lvl dua dar fator 3 ( =, n mnyataan ~ x 11 + ~ x - ~ x 1 - ~ x 1 = J, J=0 a I J ta ataana tda ada ntras ord dua antara tga fator Ja I J ta ataan tda ada sbuah ntras ord dua atau ord tga Ja I= J= 0 mmpunya modl tda ada ntras Dalam onts dar modl log-lnr dmana ta tuls x ~ =ln dmana adalah harapan untu lvl - lasfas 1, untu lvl - lasfas, untu lvl - lasfas 3, modl dngan tda ada ntras brhubungan dngan bbasan dan mnad: ( ( ( = ( = 1 Unvrstas Sumatra Utara

13 Ktrgantungan dapat mnad ord prtama atau dua (dtunuan untu ntras ord prtama atau dua dalam modl log-lnr Untu ntras modl prtama: ( ( ( = ( = Dmana 1, dan untu modl ntras ord dua: ( ( ( ( Modl log-lnr mngznan pnguan untu mnntuan apaah data dapat mnad coco dgambaran olh bbrapa modl trtntu Untu contoh lustras, ta mngut prosdur yang rlvan untu pnguan modl ntras ord prtama Dalam asus dalam sbuah tabl ontngns tga dmns, pnduga masmum llhood dar, yang aan dnotasan dngan ^ harus mmnuh onds: (ẽ 111 ẽ 1 /(ẽ 11 ẽ 11 = (ẽ 11 ẽ /(ẽ 1 ẽ 1 Dngan batasan bahwa ^ harus uga umlah untu total margnal yang damat stap ahran Pada umumnya, pnduga masmum llhood hanya dapat dprolh dngan mtod yang brulang-ulang( salah satunya dnal dngan tratv scalng procdur; aan ttap dalam asus husus dar tabl tga dmns dngan modl ntras ord prtama, prhtungan prtama adalah langsung Sal ^ tlah dhtung, statst T atau T 1 untu tabl tga dmns dgunaan untu pnguan nyata T 1 srng lbh dsua arna dar sfat adtf trtntu yang mmungnan trbag dalam omponn-omponn, analog dngan cara yang dlauan untu umlah uadrat orthogonal dalam analss varans Suatu pnltan yang mnlt tga fator (, Y dan Z yang masng-masng dcobaan dalam brbaga tngatan Fator dalam x tngatan, fator Y dalam y Unvrstas Sumatra Utara

14 tngatan dan fator Z dalam z tngatan Prcobaan trsbut mrupaan prcobaan fatoral xxyxz Dngan dman banya prlauan yang dcobaan adalah t=xyz Andaan bahwa tap prlauan dulang dngan ulangan yang sama sbanya n (uuran contohnya n tntu saa pada prcobaan dman, data yang dprolh aan bragam yang dapat datan dngan tngat masng-masng fatornya Dngan dman dapat dtulsan: l = µ + α + β + Γ + ( αβ + ( αγ + ( βγ + ( αβγ + ε l Dngan: = pngamatan 1 (1=1,,,n untu fator yang (=1,,,n, fator Y l yang (=1,,,b, dan fator z yang (=1,,,c µ = rata-rata α = pngaruh fator yang β = pngaruh fator Y yang Γ = pngaruh fator Z yang (αβ = ntras fator yang dngan fator Y yang (α Γ = ntras fator yang dngan fator Z yang ( β = ntras fator Y yang dngan fator Z yang Γ ( αβ = ntras fator yang, fator Y yang dngan fator Z yang Γ ε = ssatan pngamatan yang brsangutan l Pnduga masng-masng omponn dalam modl d atas dduga dngan cara yang sama sprt yang sudah basa dlauan Pnduga yang ddapat adalah: ^ µ = ^ α = ^ β = Γ = Unvrstas Sumatra Utara

15 ^ αβ ( = ( α ^Γ = ^ β Γ ( = ^ Γ ( αβ = + ^ ε = l l Brbaga pnduga n dngan mudah dapat ta prolh apabla ta lhat pola untu mndapatannya Pnduga pngaruh suatu tngat suatu fator mrupaan slsh antara rrata tngat fator trsbut dngan rata-rata sluruhan data Prhatan notasnya yang trnyata brupa satu nds saa yang lannya tt ( atau atau saa, yang lannya brupa tt dan pngurangnya mmpunya nds yang brupa tt smua Pada ntras dua fator, pnduganya ddapat dngan alan mngurang ratarata gabungan tngat dua fatornya dngan rata-rata tngat masng-masng fator dan mudan dtambah dngan rata-rata sluruhan data Mnyma ndsnya, pnduga ntras dua fator n ddapat dngan alan mngurang rata-rata yang brnds dua ( dan, dan, atau dan sdangan lannya brupa tt dngan rata-rata yang brnds satu yang prss dngan nds duanya dan mudan dtambah rata-rata sluruhan data yang smua ndsnya brupa tt Sprt halnya dngan analss varan yang trdahulu, brbaga umlah uadrat ddapat tda dngan mnggunaan brbaga pnduga datas ttap dalam bntu yang tlah dsdrhanaan trlbh dahulu Untu umlah uadrat JK = Σ ( = yzn Σ yzn Σ + xyzn = yzn Σ xyzn Unvrstas Sumatra Utara

16 Karna Σ = x shngga JK = Σ yzr FK dngan FK = xyzn prhatan bahwa JK ddapat dngan mnumlahan uadrat umlah masng-masng tngat fator (dumlah trhadap yang dbag dngan ssuatu yang bsarnya sama dngan batas nds yang brubah mnad tt Dalam hal n nds yang brubah mnad tt adalah,, dan l yang mmpunya batas nla y, z dan n prhatan bahwa rumus untu umlah uadrat n brtalan dngan rumus untu pnduganya Pnduga untu pngaruh yang adalah rata-rata dngan nds ( yang lannya brupa tt durang dngan rata-rata dngan smua ndsnya brupa tt rumus JK uga mmpunya nds yang durang dngan ssuatu yang tanpa nds, yatu FK Maa dngan mudah dprolh JKY dan JKZ, sbaga brut: JKY = Σ yzr FK JKZ = Σ yzr FK Sarang aan ta lhat bagamana pnydrhanaan umlah uadrat ntras dua fator Kta aan sma trlbh untu ntras antara dan Y: JKY = + ΣΣ( Yang apabla dsdrhanaan aan dprolh: JKY = ΣΣ Σ Σ + xy zn yzn xzn Unvrstas Sumatra Utara

17 Dalam atannya dngan rumus untu pnduganya, lhat tratan antara rumus pnduga dan umlah uadrat suatu omponn Rumus pnduga omponn ntras Y ddapat dngan mngurang rata-rata brnds dua ( yatu dan untu dan Y dngan rata-rata brnds satu untu dan brds satu untu Y, dan ahrnya dtambah dngan rata-rata yang smua ndsnya brupa tt ( tda brnds Pnydrhanaan lbh lanut aan mnghaslan: JKY = ΣΣ zn FK JK JKY Prhatan bahwa umlah uadrat ntras dan Y ddapat dngan mnumlahan smua umlah pada ombnas dan Y yang dbag dngan ssuatu yang mrupaan nla batas nds yang brupa tt dalam hal n nds yang brupa tt adalah untu dan l yang mmpunya batas z dan n shngga sbaga pmbag adalah zn, durang dngan fator ors dan durang lag dngan umlah uadrat fatorfator yang mnyusun ntrasnya Jumlah uadrat ntras tga fatornya ddapat dar: JKYZ = ΣΣΣ Yang apabla dsdrhanaan aan mnghaslan: ΣΣΣ ΣΣ n zn JKYZ = + Σ xyzn xyn Σ Σ yn Σ Σ xn + Σ + Σ yzn xzn JKYZ = ΣΣΣ n JK JKY JKZ JKY JKZ JKYZ Draat bbas brbaga umlah uadrat datas dapat dngan mudah dprolh dngan mmprhatan bbrapa al pnguadratan yang ta umlahan dan urangan Untu fator, ta mnguadrat a al yang dumlahan dan mnguadratan Unvrstas Sumatra Utara

18 sal untu mmprolh fator ors yang mudan ta gunaan untu mngurang Dngan dman draat bbas adalah ( x-1 Analog dngan adalah untu Y dan Z Untu ntras dua fator, Y msalnya ta mnguadratan sbanya xy al yang mudan ta umlahan, mudan durang dngan FK (yang dprolh dngan sal mnguadratan dan durang lag dngan JK dan JKB yang mmpunya draat bbas (x-1 dan (y-1 Dngan dman draat bbas Y adalah: xy-1-(x-1-(y-1=(x-1(y-1 dngan cara yang sama ta dapatan bahwa ntras Z mmpunya draat bbas (x-1(z-1 dan ntras YZ mmpunya draat bbas (y-1(z-1 Draat bbas ntras tga fator Y pun dprolh dngan cara yang sama Suu prtama pada rumus umlah uadrat YZ mnunuan bahwa ta harus mnguadratan xyz al, sdangan draat bbas suu-suu pngurangannya tlah ta tahu Dngan dman draat bbas untu ntras YZ adalah: xyz-1-(x-1(y-1-(x-1(z-1-(y-1(z-1-(x-1-(y-1-(z-1 yang tlah dsdrhanaan aan brubah mnad (x-1(y-1(z-1 hasl-hasl prhtungan d atas dapat dsusun dalam suatu tabl anava Unvrstas Sumatra Utara

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

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

Lebih terperinci

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE MODE INFEENSI BEBASIS FUZZY NEUA NETWOK MENGGUNAKAN METODE PEMBEAJAAN DETA UE Sr Kusumadw Sr Hartat tantyo Wardoyo Agus Harjoo Jurusan Tn Informata Unvrstas Islam Indonsa Yogyaarta, cc@ft.u.ac.d Faultas

Lebih terperinci

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

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

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA

PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA IST AKPRIND YOGYAKARTA E-ISSN 57-9378 Jurnal Statsta Industr dan Komutas Volum, No., Januar 07,. 04-4 PENERAPAN METODE REGRESI LOGISTIK ORDINAL DAN REGRESI PROBIT ORDINAL UNTUK MENGESTIMASI PROBABILITAS LAMA MASA STUDI MAHASISWA

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

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

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

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

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan

Aplikasi Integral. Panjang sebuah kurva w(y) sepanjang selang dapat ditemukan menggunakan persamaan Aplikasi Intgral Intgral dapat diaplikasikan k dalam banyak hal. Dari yang sdrhana, hingga aplikasi prhitungan yang sangat komplks. Brikut mrupakan aplikasi-aplikasi intgral yang tlah diklompokkan dalam

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

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

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

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

BAB II DIMENSI PARTISI

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

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN : JURNAL MATEMATIKA DAN KOMUTER Vol.. No., -, Aprl, ISSN : -88 ENDEKATAN RERESI OLINOMIAL ORTHOONAL ADA RANCANAN DUA FAKTOR (DENAN ALIKASI SAS DAN MINITAB) Tat Wharh Jurusan Matemata FMIA UNDI Abstra eneatan

Lebih terperinci

Analisis Rangkaian Listrik

Analisis Rangkaian Listrik Sudaryatno Sudirham Analisis Rangkaian Listrik Mnggunakan Transformasi Fourir - Sudaryatno Sudirham, Analisis Rangkaian Listrik (4) BAB Analisis Rangkaian Mnggunakan Transformasi Fourir Dngan pmbahasan

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan

II. BILANGAN KOMPLEKS. Untuk mencari nilai kuadrat menggunakan persamaan II. BILANGAN KOMPLEKS. Pndahuluan Sstm blangan komplks pada dasarna mrupakan prluasan dar sstm blangan rl. Sstm blangan n dprknalkan untuk mmcahkan sstm-sstm prsamaan aljabar ang tdak mmpuna jawaban dalam

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan

Lebih terperinci

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN

ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN ESTIMASI SMALL AREA BERDASARKAN MODEL PADA RATA-RATA PENGELUARAN PERKAPITA RUMAH TANGGA DI KABUPATEN KEBUMEN A. Nna Rosana Chytrasar 1), Sr Haryatm 2), Danardono 3) 1) Mahasswa Jur. Matmatka FMIPA UGM

Lebih terperinci

BAB V DISTRIBUSI PROBABILITAS DISKRIT

BAB V DISTRIBUSI PROBABILITAS DISKRIT BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2

KOMPONEN UTAMA UNTUK PENGENDALIAN KUALITAS SECARA STATISTIK. Nunik Nurhasanah 1, Diah Safitri 2 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

Bab III. Plant Nonlinear Dengan Fase Nonminimum Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah

BAB III METODOLOGI PENELITIAN. Penyusunan laporan tugas akhir ini dilakukan sesuai dengan langkahlangkah BAB III METODOLOGI PENELITIAN Penyusunan laporan tugas ahr n dlauan sesua dengan langahlangah peneltan yang aan dperlhatan pada dagram d bawah n, agar peneltan n dapat berjalan secara ba dan terarah. Sehngga

Lebih terperinci

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot.

Lebih terperinci

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

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

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

Analisis Sensitivitas

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

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

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

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

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

Pendekatan Hurdle Poisson Pada Excess Zero Data

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

Lebih terperinci

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB)

OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Studi Kasus Produk Flash Disk dengan Kapasitas Penyimpanan 4 GB dan 8 GB) OPTIMISASI HARGA DENGAN MODEL MULTINOMIAL LOGIT (Stud Kasus Produk Flash Dsk dngan Kapastas Pnympanan 4 GB dan 8 GB) Skrps OLEH: DIAN SETYA ARINI I0307038 JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS

Lebih terperinci

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,

Lebih terperinci

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

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

Lebih terperinci

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA

Pengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh

Lebih terperinci

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton

Lebih terperinci

Pertemuan XIV, XV VII. Garis Pengaruh

Pertemuan XIV, XV VII. Garis Pengaruh ahan jar Statika ulyati, ST., T rtmuan X, X. Garis ngaruh. ndahuluan danya muatan hidup yang brgrak dari satu ujung k ujung lain pada suatu konstruksi disbut bban brgrak. isalkan ada sbuah kndaraan mlalui

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api.

HASIL DAN PEMBAHASAN. Gambar 3 Proses penentuan perilaku api. 6 yang diharapkan. Msin infrnsi disusun brdasarkan stratgi pnalaran yang akan digunakan dalam sistm dan rprsntasi pngtahuan. Msin infrnsi yang digunakan dalam pngmbangan sistm pakar ini adalah FIS. Implmntasi

Lebih terperinci

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak). BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).

Lebih terperinci

OLEH: DESTRIYANTI TRI BUDIARTI YULLIA HESTIANA IRWAN SEPTEMBER GUNAWAN

OLEH: DESTRIYANTI TRI BUDIARTI YULLIA HESTIANA IRWAN SEPTEMBER GUNAWAN OLEH: DESTRIYANTI 7 58 TRI BUDIARTI 7 YULLIA HESTIANA 7 5 IRWAN SEPTEBER 7 46 GUNAWAN 7 KELAS : 6. L ATA KULIAH : ATEATIKA LANJUTAN DOSEN PENGASUH : FADLI, S.Si FAKULTAS KEGURUAN DAN ILU PENDIDIKAN UNIVERSITAS

Lebih terperinci

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr

Lebih terperinci

Independent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi

Independent Var. Dependent Var. Test. Nominal Interval Independent t-test, ANOVA. Nominal Nominal Cross Tabs, Chi Square, dan Koefisien Kontingensi Independent Var. Dependent Var. Test Nomnal Interval Independent t-test, ANOVA Nomnal Nomnal Cross Tabs, Ch Square, dan Koefsen Kontngens Nomnal Ordnal Mann Whtney, Kolmogorov- Smrnow, Kruskall Walls Ordnal

Lebih terperinci

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11]

BAB II TINJAUAN PUSTAKA. penurunan akan permintaan pergerakan transportasi. [ 11] BAB II TINJAUAN PUSTAKA II.1 Umum Tngkat playanan suatu jarngan jalan tntukan olh waktu prjalanan, baya prjalanan (tarf an bahan bakar), knyamanan, an kamanan pnumpang. Jka trja pnurunan tngkat playanan

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut

Lebih terperinci

Bab 1 Ruang Vektor. I. 1 Ruang Vektor R n. 1. Ruang berdimensi satu R 1 = R = kumpulan bilangan real Menyatakan suatu garis bilangan;

Bab 1 Ruang Vektor. I. 1 Ruang Vektor R n. 1. Ruang berdimensi satu R 1 = R = kumpulan bilangan real Menyatakan suatu garis bilangan; Bab Ruang Vktor I. Ruang Vktor R n. Ruang brdimnsi satu R = R = kumpulan bilangan ral Mnyatakan suatu garis bilangan; -3 - - 0. Ruang brdimnsi dua R = bidang datar ; Stiap vktor di R dinyatakan sbagai

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

BAB I METODE NUMERIK SECARA UMUM

BAB I METODE NUMERIK SECARA UMUM BAB I METODE NUMERIK SECARA UMUM Aplikasi modl matmatika banyak muncul dalam brbagai disiplin ilmu pngtahuan, sprti isika, kimia, konomi, prsoalan rkayasa (tknik msin, sipil, lktro). Modl matmatika yang

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan

Lebih terperinci

PENENTUAN NILAI e/m ELEKTRON

PENENTUAN NILAI e/m ELEKTRON Pnntuan Nilai E/m Elktron 013 PENENTUAN NILAI /m ELEKTRON Intan Masruroh S, Anita Susanti, Rza Ruzuqi, Zaky Alam Laboratorium Fisika Radiasi, Dpartmn Fisika Fakultas Sains Dan Tknologi, Univrsitas Airlangga

Lebih terperinci

5 Model sebaran pergerakan

5 Model sebaran pergerakan 5 Mol sbaran prgrakan Pmolan bangktan prgrakan tlah trangkan paa bab 4 scara rnc. D stu prkrakan bsarnya prgrakan yang haslkan ar zona asal an yang trtark k zona tuuan. Bsarnya bangktan an tarkan prgrakan

Lebih terperinci

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI ) A VI MODL LKRON AS GAS RMI MARI 6.1. ltron bbas dalam satu dimnsi. 6.1.1.tingat nrgi 6.1..distribusi rmi-dirac 6.1..nrgi rmi 6.. ltron bbas dalam tiga dimnsi. 6..1.nrgi rmi untu tiga dimnsi. 6...cpatan

Lebih terperinci

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

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

Lebih terperinci

I. SIFAT SIFAT UMUM TANAH

I. SIFAT SIFAT UMUM TANAH I. SIFAT SIFAT UMUM TANAH BUTIR TANAH pori risi air pori utir Rongga :. Udara pnuh. Udara air. air pnuh Tanah dapat trdiri dari rapa agian. Tanah yang ring trdiri dari padat atau utiran dan pori-pori rongga

Lebih terperinci

MODUL PERKULIAHAN REKAYASA FONDASI 1. Penurunan Tanah pada Fondasi Dangkal. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

MODUL PERKULIAHAN REKAYASA FONDASI 1. Penurunan Tanah pada Fondasi Dangkal. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh MODUL PERKULIAHAN REKAYASA FONDASI 1 Pnurunan Tanah pada Fondasi Dangkal Fakultas Program Studi Tatap Muka Kod MK Disusun Olh Tknik Prnanaan Tknik A41117AB dan Dsain Sipil 9 Abstrat Modul ini brisi bbrapa

Lebih terperinci

Pembahasan Soal. Pak Anang SELEKSI MASUK UNIVERSITAS INDONESIA. Disertai TRIK SUPERKILAT dan LOGIKA PRAKTIS. Disusun Oleh :

Pembahasan Soal. Pak Anang SELEKSI MASUK UNIVERSITAS INDONESIA. Disertai TRIK SUPERKILAT dan LOGIKA PRAKTIS. Disusun Oleh : Pmbahasan Soal SELEKSI MASUK UNIVERSITAS INDONESIA Disrtai TRIK SUPERKILAT dan LOGIKA PRAKTIS Disusun Olh : Pak Anang Kumpulan SMART SOLUTION dan TRIK SUPERKILAT Pmbahasan Soal SIMAK UI 2011 Matmatika

Lebih terperinci

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa

Lebih terperinci

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA Olh : Yanti Muliyaningsih G40026 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA

CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA CONFIGURAL FREQUENCY ANALYSIS UNTUK MELIHAT KARAKTERISTIK CALON INVESTOR SAHAM RETAIL PT BURSA EFEK JAKARTA LAPORAN PENELITIAN MANDIRI PENELITI RESA SEPTIANI PONTOH NIP : 132 317 117 JURUSAN STATISTIKA

Lebih terperinci