UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure

Ukuran: px
Mulai penontonan dengan halaman:

Download "UJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure"

Transkripsi

1 8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher Least Significant Difference (LSD) Method Scheffe Multiple Contrast Procedure Bonferroni Tuey s Test Duncan Dunnett s Test Post Hoc Analysis 1

2 8/9/01 UJI TUKEY Disebut Uji HSD (Honestly Sifnificant Difference) Digunaan untu menguji perbandingan rataan secara berpasangan berdasaran distribusi rentangan distudentan yang memunginan tingat galat tipe I cuup ecil. Syarat : 1. Uuran elompo semuanya harus sama (atau direrataan secara rerata harmoni). Uji dilauan jia pada uji ANOVA, Ho ditola 8/9/01 3 UJI TUKEY Metoda perbandingan berpasangan oleh Tuey diperoleh dengan mencari perbedaan yang signifian antara rataan i dan j ( i j ) bila : yi y dimana : j q[,, v]* s n : taraf nyata :jumlah perlauan v :derajat bebas error v = N - y i y j nilai rataan perlauan e i dan j q [,, v] diperoleh dari tabel distribusi rentangan distudentan S nilai rataan uadrat galat / Mean Square Error ( MSE) n = jumlah pengamatan / sampel per perlauan. 8/9/01 4

3 8/9/01 Contoh Soal : 1. Misalan dalam suatu percobaan industri, seorang insinyur ingin menyelidii bagaimana rataan penyerapan uap air dalam beton berubah di antara lima aduan beton yang berbeda. Aduan beton ini berubah dalam persen berat omponen penting. Sampel dibiaran ena uap air selama 48 jam. Dari tiap aduan diambil 6 sampel untu diuji, sehingga seluruhnya diperluan 30 sampel. Ujilah hipotesis m1=m= =m5 pada taraf eberartian 0,05 untu data dibawah ini mengenai penyerapan uap air oleh berbagai jenis aduan semen. Jenis Aduan Beton (% Berat) Total Total Rataan 553,33 569,33 610,50 465,17 610,67 561,80 8/9/01 5 Jawab : a. Strutur Hipotesis : H 0 : m 1 = m = m 3 = m 4 = m 5 H 1 : paling sediit dua diantaranya tida sama b. Taraf nyata : = 0,05 c. Statisti Uji : ANOVA 1 arah Sumber Variansi Sum of Square Derajat Kebebasan ( v ) Mean Square ( MS ) Nilai Tengah Kolom Galat atau Error Total Stat. Uji f = 4,3 8/9/01 6 3

4 8/9/01 d. Wilayah Kritis : f > f ( v1 ; v ) Tola Ho Dimana : = 0,05 v1 = 4 v = 5,76 4,3 f 0,05 (4,5) =,76 e. Keputusan : Tola Ho f. Kesimpulan : bahwa elima jenis aduan semen tida mempunyai penyerapaan rataan yang sama pada taraf nyata 0,05 8/9/01 7 Contoh Soal UJI Tuey : 3. Dari hasil pengujian dengan ANOVA 1 arah telah disimpulan pada soal no 6 bahwa Tola Ho yang artinya elima jenis aduan semen tida mempunyai penyerapaan rataan yang sama pada taraf nyata 0,05. Pertanyaan : Jenis Aduan semen manaah yang sama dan manaah yang berbeda secara signifian??? Gunaan Uji Tuey 8/9/01 8 4

5 8/9/01 Prosedur Uji Tuey : a. Urutan nilai rataan tiap perlauan dari terecil s/d terbesar. Jenis Aduan Semen Jenis Rataan 553,33 569,33 610,50 465,17 610,67 y Jenis Aduan Semen Jenis Rataan 465,17 553,33 569,33 610,50 610,67 8/9/01 9 Prosedur Uji Tuey : b. Hitunglah nilai : q [,, v] x Dari tabel Anova sebelumnya : dietahui bahwa nilai MSE = MSE S S n = 5 ; n = 6 ; v = N = 30 5 = 5 q [,, v ] = q [ 0,05, 5, 5 ] = 4,16 Nilai : q [,, v ] * S = q [ 0,05, 5, 5 ] * n 6 = 4,16 * *Walpole Ed 4 Tabel L. hal 81 = 119,6 *baca tabel distribusi rentangan distudentan Walpole Ed 4 Tabel L. hal 81 8/9/

6 8/9/ Bab 9A Tabel q ,05 3,64 4,60 5, 5,67 6,03 6,33 6,58 6,80 6,99 0,01 5,70 6,98 7,80 8,4 8,91 9,3 9,67 9,97 10,4 6 0,05 3,46 4,34 4,90 5,30 5,63 5,90 6,1 6,3 6,49 0,01 5,4 6,33 7,03 7,56 7,97 8,3 8,61 8,87 9,10 7 0,05 3,34 4,16 4,68 5,06 5,36 5,61 5,8 6,00 6,16 0,01 4,95 5,9 6,54 7,01 7,37 7,68 7,94 8,17 8,37 8 0,05 3,6 4,04 4,53 4,89 5,17 5,40 5,60 5,77 5,9 0,01 4,75 5,64 6,0 6,6 6,96 7,4 7,47 7,68 7,86 9 0,05 3,0 3,95 4,41 4,76 5,0 5,4 5,43 5,59 5,74 0,01 4,60 5,43 5,96 6,35 6,66 6,91 7,13 7,33 7,49 Tabel q Bab 9A ,05 3,08 3,77 4,0 4,51 4,75 4,95 5,1 5,7 5,39 0,01 4,3 5,05 5,50 5,84 6,10 6,3 6,51 6,67 6, ,05 3,06 3,73 4,15 4,45 4,69 4,88 5,05 5,19 5,3 0,01 4,6 4,96 5,40 5,73 5,98 6,19 6,37 6,53 6, ,05 3,03 3,70 4,11 4,41 4,64 4,83 4,99 5,13 5,5 0,01 4,1 4,89 5,3 5,63 5,88 6,08 6,6 6,41 6, ,05 3,01 3,67 4,08 4,37 4,59 4,78 4,94 5,08 5,0 0,01 4,17 4,84 5,5 5,56 5,80 5,99 6,16 6,31 6, ,05 3,00 3,65 4,05 4,33 4,56 4,74 4,90 5,03 5,15 0,01 4,13 4,79 5,19 5,49 5,7 5,9 6,08 6, 6, ,05,98 3,63 4,0 4,30 4,5 4,70 4,86 4,99 5,11 6

7 8/9/01 Tabel q Bab 9A ,05,96 3,59 3,98 4,5 4,47 4,65 4,79 4,9 5,01 0,01 4,05 4,67 5,05 5,33 5,55 5,73 5,89 6,0 6,14 0 0,05,95 3,58 3,96 4,3 4,45 4,6 4,77 4,90 5,01 0,01 4,0 4,64 5,0 5,9 5,51 5,69 5,84 5,97 6,09 4 0,05,9 3,53 3,90 4,17 4,37 4,54 4,68 4,81 4,9 0,01 3,96 4,55 4,91 5,17 5,37 5,54 5,69 5,81 5,9 30 0,05,89 3,49 3,85 4,10 4,30 4,46 4,60 4,7 4,8 0,01 3,89 4,45 4,80 5,05 5,4 5,40 5,54 5,65 5, ,05,86 3,44 3,79 4,04 4,3 4,39 4,5 4,63 4,73 0,01 3,8 4,37 4,70 4,93 5,11 5,6 5,39 5,50 5, ,05,83 3,40 3,74 3,98 4,16 4,31 4,44 4,55 4,65 Prosedur Uji Tuey : c. Menentuan nilai rataan yang berbeda secara signifian s y i y j q[,, v]* n Dari hasil perhitungan point b, dapat disimpulan bahwa : y i y 119, rataan aan berbeda secara signifian jia : ( ) 6 Jenis Aduan Semen Jenis Rataan 465,17 553,33 569,33 610,50 610,67 y j 8/9/

8 8/9/01 Prosedur Uji Tuey : Jenis Aduan Perbandingan tiap nilai rataan Tanda s q[,, v]* n Keputusan 1 dengan 4 88,16 < Tida Berbeda signifian dengan 1 16 < Tida Berbeda signifian dengan 4 104,16 < Tida Berbeda signifian 3 dengan 41,17 < Tida Berbeda signifian 3 dengan 1 57,17 < Tida Berbeda signifian 119,6 3 dengan 4 145,33 > Berbeda signifian 5 dengan 3 0,17 < Tida Berbeda signifian 5 dengan 41,34 < Tida Berbeda signifian 5 dengan 1 57,34 < Tida Berbeda signifian 5 dengan > Berbeda signifian Kesimpulan : hasil perbandingan tiap nilai rataan ( y) diatas, maa dapat disimpulan bahwa rataan yang memilii perbedaan secara signifian adalah : Jenis Aduan 3 dan Jenis Aduan 4 Jenis Aduan 5 dan Jenis Aduan 4 8/9/01 15 UJI DUNCAN ( UJI RENTANGAN DARAB DUNCAN ) Digunaan juga untu menguji perbandingan rataan secara berpasangan berdasaran distribusi rentangan distudentan yang memunginan tingat galat tipe I cuup ecil. Uji DUNCAN dilauan jia pada uji ANOVA, Ho ditola 8/9/

9 8/9/01 UJI DUNCAN ( UJI RENTANGAN DARAB DUNCAN ) Metoda perbandingan berpasangan oleh Duncan diperoleh dengan mencari perbedaan yang signifian antara rataan i dan j dengan nilai rentangan berarti terecil ( R p ) Syarat : 1. Uuran n sampel harus sama. Uji dilauan jia pada uji ANOVA, Ho ditola 8/9/01 17 Prosedur Uji Duncan : 1. Susun rata-rata data pengamatan sampel dari yang terecil sampai yang terbesar.. Hitung : 3. Taraf Nyata : SSE S ( n 1) n : jumlah pengamatan / sampel per perlauan. 4. Cari nilai r p dari tabel dengan v= (n-1) dimana r p adalah wilayah terstudentan nyata terecil 5. Hitung R p untu masing-masing nilai r p s Rp rp * n R p = Wilayah nyata terecil 6. Bandingan nilai selisih rata-rata yang telah diurutan dengan R p ( ) i y j Selisih rata-rata = y Jia selisih rata-rata<r p rata-rata tersebut dapat diataan SAMA Jia selisih rata-rata>r p rata-rata tersebut dapat diataan BERBEDA! 9

10 8/9/01 Contoh Soal : 4. Lihat soal no 3 Dari hasil pengujian dengan ANOVA 1 arah telah disimpulan bahwa Tola Ho : yang artinya elima jenis aduan semen tida mempunyai penyerapaan rataan yang sama pada taraf nyata 0,05. Pertanyaan : jenis aduan manaah yang sama dan manaah yang berbeda??? Uji Duncan 8/9/01 19 Prosedur Uji Duncan : a. Urutan nilai rataan tiap perlauan dari terecil s/d terbesar. Jenis Aduan Semen Jenis Rataan 553,33 569,33 610,50 465,17 610,67 y Jenis Aduan Semen Jenis Rataan 465,17 553,33 569,33 610,50 610,67 8/9/

11 8/9/01 Prosedur Uji Duncan : b. Hitunglah Nilai : R p r * p Dari tabel Anova sebelumnya : dietahui bahwa nilai MSE = S s n = 5 ; n = 6 ; v = N = 30 5 = 5 Dengan v = 5 dan = 0,05 diperoleh nilai r p untu tiap p rataan : p r p,913 3,061 3,155 3, Tabel L.1 hal 791 Walpole Edisi 4 *baca tabel rentangan distudentan r p dengan eberartian terecil Walpole Ed 4 Tabel L.1 hal 791 8/9/01 1 Prosedur Uji Duncan : Sehingga dapat diperoleh nilai R p adalah sbb : s Rp rp * rp* rp*8,76 n 6 p r p,913 3,061 3,155 3, R p 83,76 88,03 90,74 9,66 c. Tentuan nilai rataan yang BERBEDA secara signifian jia ( yi y j ) Rp Jenis Aduan Semen Jenis D A B C E Rataan 465,17 553,33 569,33 610,50 610,67 NB : Untu Mempermudah pemahaman, istilah jenis Aduan 1,,3,4.5 diganti A, B, C, D, E 8/9/01 11

12 8/9/01 Prosedur Uji Duncan : Untu R 5 ( 9,66 ) : arena y E y D 145,5 9, maa dapat disimpulan bahwa ( ) 66 Untu R 4 ( 90,74 ) : D A B C E ye dan y D BERBEDA secara signifian. A B C E D D A A B B C C ( ) 74 arena y E y A 57,34 90, dan ( y C y D ) 145,33 90, 74 maa dapat disimpulan bahwa ye dan y A TIDAK BERBEDA secara signifian ( membentu himpunan bagian rataan yang homogen ). bahwa yc dan y D BERBEDA secara signifian Prosedur Uji Duncan : Untu R 3 ( 88,03 ) : arena ( y ) 41,34 88, 03 E y B ( y C y A ) 57,17 88, 03 ( ) 104,16 88, 03 y B y D y E dan y yc dan y A B yb dan y D B C E A B C D A B TIDAK BERBEDA secara signifian. TIDAK BERBEDA secara signifian. BERBEDA secara signifian. Untu R ( 83,76 ) : arena ( y E y C ) 0,17 88, 76 ( y C y B ) 41,17 88, 76 ( y B y A ) 16 88, 76 ( ) 88,16 88, 76 y A y D C E B C A B D A TIDAK BERBEDA secara signifian. 1

13 8/9/01 Prosedur Uji Duncan : Untu R 3 ( 88,03 ) : arena ( y ) 41,34 88, 03 E y B y E dan y B B C E A B C D A B TIDAK BERBEDA secara signifian. ( y C y A ) 57,17 88, 03 ( ) 104,16 88, 03 y B y D yc dan y A yb dan y D TIDAK BERBEDA secara signifian. BERBEDA secara signifian. Untu R ( 83,76 ) : arena ( y E y C ) 0,17 88, 76 ( y C y B ) 41,17 88, 76 ( y B y A ) 16 88, 76 ( ) 88,16 88, 76 y A y D C E B C A B D A TIDAK BERBEDA secara signifian. Kesimpulan Kesimpulan : hasil perbandingan tiap nilai rataan ( y) diatas, maa dapat disimpulan bahwa rataan yang memilii perbedaan secara signifian adalah Jenis Aduan C dan D ; Jenis Aduan E dan D ; Jenis Aduan B dan D D A B C E 8/9/

14 8/9/01 UJI BARTLETT (UJI KESAMAAN BEBERAPA VARIANSI) didasaran pada suatu statisti yang distribusi sampelnya memberian nilai ritis yang tepat bila uuran sampelnya sama dan uji Bartlett sering digunaan untu menguji ehomogenan variansi. Nilai-nilai ritis ini untu uuran sampel yang sama dapat pula digunaan untu menghasilan hampiran nilai-nilai ritis yang amat teliti untu uuran sampel yang tida sama. Langah Pengujian Uji Bartlett : a. Strutur Hipotesis : H 0 : 1... H 1 : tida semua variansi sama. b. Taraf nyata : c. Statisti Uji : Uji Bartlett 1. Hitung nilai b : b s p i1 n1 1 n11 ( s ) ( s ) ( s ) 1... s p ( n 1) s i N i n 1 1/( N ) b :suatu nilai dari peubah aca B yang berdistribusi Bartlett.. Mula mula hitunglah variansi sampel s 1, s,, s dari sampel yang beruuran n 1, n,, n, dengan i1 n i N 3. Hitung nilai variansi s 1, s dst 4. Kemudian, gabungan sampel sehingga diperoleh tasiran gabungan searang. 8/9/

15 8/9/01 Prosedur Uji Bartlett : d. Wilayah Kritis : Jia n sama : b < b ( ;n) Tola Ho Jia n beda : b < b( ;n 1,n,...,n ) Tola Ho Dimana : b n1b ( ; n1 ) nb ( ; n )... nb ( ; n ) ; n1, n,... nk ) N ( e. Keputusan f. Kesimpulan Tabel Bartlett memberian nilai ritis b (α; n), untu α = 0,01 dan 0,05; =, 3,.., 10; dan nilai n pilihan dari 3 sampel 100. Bila uuran sampelnya tida sama, hipotesis nol ditola pada taraf eberartian α bila b < b (α; n1, n,, n), jia b (α; n1, n,, n) Contoh Soal 5. Ada yang mengataan bahwa mobil mahal dirait lebih berhati-hati dibandingan dengan mobil murah. Untu menyelidii apaah pendapat ini beralasan, diambil 3 tipe mobil : mobil mewah besar A, sedan beruuran sedang B, dan sedan subompa hatchbac C, untu diselidii berapa banyanya bagian yang cacat. Semua mobil itu diprodusi oleh pabri yg sama. Data banyanya cacat dari beberapa mobil bagi e-3 tipe itu adalah sbb : Model A B C Gunaan Uji Bartlett, dan ujilah hipotesis pada taraf nyata 5 % bahwa variansi banyanya bagian yang cacat adalah sama untu e-3 tipe mobil tersebut. 8/9/

16 8/9/01 Jawab : a. Strutur Hipotesis : H 0 : A B... C H 1 : Ketiga ragam tersebut tida semuanya sama. b. Taraf nyata : = 0.05 c. Statisti Uji : Uji Bartlett 8/9/01 31 Model A B C Total Rata-Rata 5,75 3,5 7,75 Si 1,6 1,5 1,64 Si 1,583,300,700 ni s s s s p p p p Nilai Variansi Gabungan ( n1 1) s1 i1 N ( n1 1) s1 ( n 1) s ( n3 1) s3 N (4 1)1.58 (6 1).3 (5 1) Nilai b b b n1 1 n 1 n3 ( s ) ( s ) ( s ) ( 1.583) (.3) (.7) b s 3 p /( N ) 51 1/(153) 16

17 8/9/01 d. Wilayah Kritis n1b 3( ; n1 ) nb3 ( ; n) n3b3 ( ; n3) b ( ; n1, n, n3) N 4(0.4699) 6(0.6483) 5(0.576) b ( ; n1, n, n3) 15 b ( ; n, n, n ) e. Keputusan : Terima Ho arena b b ( ; n1, n, n3) f. Kesimpulan : Ragam/Variansi mobil yang cacat adalah sama untu etiga model tersebut Uji Cochran Selain menggunaan uji Bartlett, uji Cochran dapat juga menguji ehomogenan variansi Tetapi Uji Cochran terutama seali berguna untu menentuan apaah suatu variansi jauh lebih besar daripada yang lainnya dan Perhitungan uji Cochran lebih mudah dibandingan uji Bartlett. Tapi terbatas hanya untu sampel yang sama uurannya. 17

18 8/9/01 Prosedur Uji Cochran : a. Strutur Hipotesis : H 0 : H 1 : tida semua VARIANSI sama b.taraf nyata : = 0.05 c. Statisti Uji : Uji Cochran S G 1... i terbesar i1 S i d. Wilayah Kritis g > g Tola Ho g g Terima Ho dimana nilai gα diperoleh dari tabel leland blan 11. e. Keputusan f. Kesimpulan Contoh Soal : 6. Lauan uji cochran, dan ujilah hipotesis pada taraf nyata 5 % bahwa variansi penyerapan uap air oleh berbagai jenis aduan semen adalah sama. Jenis Aduan Semen Total Total Rataan 553,33 569,33 610,50 465,17 610,67 561,80 8/9/

19 8/9/01 Jawab : a. Strutur Hipotesis : H 0 : H 1 : tida semua variansi sama b.taraf nyata : = 0.05 c. Statisti Uji : Uji Cochran 8/9/01 37 Jawab : Jenis Aduan Semen Total Total Rataan 553,33 569,33 610,5 465,17 610,67 561,8 Si Si n dimana : n = 6 = 5 8/9/

20 8/9/01 Jawab : S G i terbesar i1 S i G G Wilayah Kritis =0.05 n=6 g= 0,5065 =5 Keputusan Terima Ho (g<g ) Kesimpulan : Variansi e-5 jenis aduan semen dalam penyerapan uap air adalah sama pada taraf nyata 0.05 Soal Pada taraf signifiansi 0,05, melalui uji Cochran, uji esamaan variansi populasi, jia sampel aca adalah (a) A B C D 58,7 6,7 55,9 60,7 61,4 64,5 56,1 60,3 60,9 63,1 57,3 60,9 59,1 59, 55, 61,4 58, 60,3 58,1 6,3 (b) A B C D

21 8/9/01 Nilai Kritis pada Uji Cochran = 0,05 Uuran sampel n ,9985 0,9750 0,939 0,9057 0,877 0,8534 0, ,9669 0,8709 0,7977 0,7457 0,7071 0,6771 0, ,9065 0,7679 0,6841 0,687 0,5895 0,5598 0, ,841 0,6838 0,5981 0,5441 0,5065 0,4783 0, ,7808 0,6161 0,531 0,4903 0,4447 0,4184 0, ,771 0,561 0,4800 0,4307 0,3974 0,376 0, ,6798 0,5157 0,4377 0,3910 0,3595 0,336 0, ,6385 0,4775 0,407 0,3584 0,386 0,3067 0, ,600 0,4450 0,3733 0,3311 0,309 0,83 0, ,5410 0,394 0,364 0,880 0,64 0,439 0, ,4709 0,3346 0,758 0,419 0,195 0,034 0, ,3894 0,705 0,05 0,191 0,1735 0,160 0, ,3434 0,354 0,1907 0,1656 0,1493 0,1374 0, ,99 0,1980 0,1593 0,1377 0,137 0,1137 0, ,370 0,1576 0,159 0,108 0,0968 0,0887 0, ,1737 0,1131 0,0895 0,0765 0,068 0,063 0, ,0998 0,063 0,0495 0,0119 0,0371 0,0337 0, Nilai Kritis pada Uji Cochran = 0,05 Uuran sampel n ,8159 0,8010 0,7880 0,7841 0,660 0,5813 0, ,6333 0,6167 0,605 0,5466 0,4748 0,4031 0, ,5175 0,5017 0,4884 0,4366 0,370 0,3093 0, ,4387 0,441 0,4118 0,3645 0,3066 0,513 0, ,3817 0,368 0,3568 0,3135 0,61 0,119 0, ,3384 0,359 0,3154 0,756 0,78 0,1833 0, ,3043 0,96 0,89 0,46 0,0 0,1616 0, ,768 0,659 0,568 0,6 0,180 0,1446 0, ,541 0,439 0,353 0,03 0,1655 0,1308 0, ,187 0,098 0,00 0,1737 0,1403 0,1100 0, ,1815 0,1736 0,1671 0,149 0,1144 0,0889 0, ,14 0,1357 0,1303 0,1108 0,0879 0,0675 0, ,116 0,1160 0,1113 0,094 0,0743 0,0567 0, ,100 0,0958 0,091 0,0771 0,0604 0,0457 0, ,0780 0,0745 0,0713 0,0595 0,046 0,0347 0, ,055 0,050 0,0497 0,0411 0,0316 0,034 0, ,09 0,079 0,066 0,018 0,0165 0,010 0,

22 8/9/01 Uji Dunnet Uji Dunnet adalah uji untu menentuan perbedaan yang berarti antara tiap rataan perlauan dengan control pada suatu taraf eberartian yang sama. Prosedur Uji Dunnet a. Strutur Hipotesis : JKG S Ho: m 0 = m i H1: m 0 m i i=1,,3,... b.taraf nyata : = 0.05 c. Statisti Uji : Uji Dunnet i1 j1 JKG ' 1 n y ij j1 n i T =*n Ti= Total sampel e-i Yij=data ij Hitung nilai di d d. Wilayah Kritis = jumlah pembanding v= +1 e. Keputusan f. Kesimpulan i y y i S ( v) d i d, 0 / n y 0 Rata - rata pembanding y i Rata - rata control Tola Ho

23 8/9/01 Review Distribusi Rumus PDF Uniform Disrit Rumus PDF Uniform Kontinu f ( x) 1 b - a 1 f 1 ( x) - x dimana : x = a, a + 1, a +, a + 3,..., b 1, b a = batas bawah b = batas atas f ( x ) 0 Rumus CDF Uniform Kontinu x - F( x) x 0 Review Distribusi Parameter Uniform Disrit yaitu : a dan b ; a dan b bilangan bulat a b MEAN m STANDAR DEVIASI ( b - a 1) 1-1 Rumus PDF Uniform Kontinu Parameter Distribusi Seragam ada, yaitu : a dan b Estimator : α = x minimum β = x masimum MEAN m STANDAR DEVIASI 1 3

24 8/9/01 UNIFORM DISKRIT Distr. Peluang Disrit adalah suatu tabel/rumus yg mencantuman semua emunginan nilai suatu variabel aca disrit beriut peluangnya. Distribusi Seragam/UNIFORM adalah suatu distribusi yg mengestimasi probabilitas munculnya suatu nilai disrit tertentu dari suatu variabel dimana semua nilai-nilai tersebut memilii peluang pemunculan yang sama. UNIFORM KONTINU Distr. Peluang Kontinu adalah suatu tabel/rumus yg mencantuman semua emunginan nilai suatu variabel aca ontinu beriut peluangnya. Distribusi Seragam/UNIFORM adalah suatu distribusi yang mengestimasi probabilitas munculnya suatu nilai ontinu tertentu dari suatu variabel dimana semua nilai-nilai tersebut memilii peluang pemunculan yang sama. 4

25 8/9/01 SEMOGA BERHASIL DI UAS 5

ANALISIS VARIANSI (ANOVA)

ANALISIS VARIANSI (ANOVA) ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t

Lebih terperinci

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)

Sah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH) Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/

Lebih terperinci

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode

II. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode 3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. 1.1 Latar belakang BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA . Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15

Lebih terperinci

Analisis Varians = Analysis of Variance = ANOVA

Analisis Varians = Analysis of Variance = ANOVA Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.

Lebih terperinci

BAB III METODE SCHNABEL

BAB III METODE SCHNABEL BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan

Lebih terperinci

DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit

DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi

Lebih terperinci

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang

( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil

Lebih terperinci

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA

PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat

Lebih terperinci

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang

( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan

Lebih terperinci

Uji Perbandingan Ganda. Arum Handini Primandari, M.Sc.

Uji Perbandingan Ganda. Arum Handini Primandari, M.Sc. Uji Perbandingan Ganda (Multiple Comparison) Arum Handini Primandari, M.Sc. Beberapa uji perbandingan ganda: Uji BNT/LSD Uji Tukey Uji Duncan Uji Bonferroni H : dengan i, j 1,2,..., t dan i j H 0 1 i :

Lebih terperinci

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII

Deret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode

Lebih terperinci

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler

Penggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,

Lebih terperinci

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR

PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu

Lebih terperinci

BAB III LANDASAN TEORI

BAB III LANDASAN TEORI 11 BAB III LANDASAN TEORI 3.1 Tinjauan Statistik 3.1.1 Analisis Deskriptif Analisis statistik deskriptif adalah suatu metode analisis yang merupakan teknik mengumpulkan, mengolah, menyederhanakan, menyajikan

Lebih terperinci

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak

KORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi

Lebih terperinci

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti

Lebih terperinci

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK

BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama

Lebih terperinci

Optimasi Non-Linier. Metode Numeris

Optimasi Non-Linier. Metode Numeris Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran

Lebih terperinci

Rancangan Petak Terbagi

Rancangan Petak Terbagi Rancangan Peta Terbagi Ade Setiawan 009 Percobaan Split-plot merupaan superimpose dari dua jenis satuan percobaan dimana rancangan lingungan untu eduanya bisa sama ataupun berbeda. Satuan percobaan untu

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)

III. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series) III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut

Lebih terperinci

Jika Ho ditolak berarti ada minimal satu mean yang berbeda nyata dengan yang lain :

Jika Ho ditolak berarti ada minimal satu mean yang berbeda nyata dengan yang lain : perlu dilakukan pengujian lanjutan melacak perbedaan diantara nilai-nilai rerata perlakuan uji perbandingan berganda: LSD : least Significant Difference Uji Tukey : Honestly Significant Difference DMRT

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya

Lebih terperinci

TUGAS I RANCANGAN PERCOBAAN BAB I

TUGAS I RANCANGAN PERCOBAAN BAB I TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 3 LANGKAH PEMECAHAN MASALAH BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti

Lebih terperinci

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA

BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan

Lebih terperinci

3. Sebaran Peluang Diskrit

3. Sebaran Peluang Diskrit 3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.

Lebih terperinci

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel

BAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel

Lebih terperinci

Aplikasi diagonalisasi matriks pada rantai Markov

Aplikasi diagonalisasi matriks pada rantai Markov J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan

Lebih terperinci

BAB IV APLIKASI PADA MATRIKS STOKASTIK

BAB IV APLIKASI PADA MATRIKS STOKASTIK BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii

Lebih terperinci

2) Ukuran Data Tidak Sama k n i T 2.. JKT = X 2 ij - i=1 j=1 N k JKK = T 2 i. T 2.. i=1 n i N JKG = JKT - JKK Sumber Jumlah db Kuadrat Tengah F. Hitun

2) Ukuran Data Tidak Sama k n i T 2.. JKT = X 2 ij - i=1 j=1 N k JKK = T 2 i. T 2.. i=1 n i N JKG = JKT - JKK Sumber Jumlah db Kuadrat Tengah F. Hitun MODUL DISTRIBUSI F (ANOVA) I. PENDAHULUAN Ditemukan oleh seorang ahli statistik yang bernama R.A. Fisher pada tahun 1920. Distribusi F/ANOVA adalah prosedur statistika untuk mengkaji (mendeterminasi) apakah

Lebih terperinci

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT

ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry

Lebih terperinci

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman

BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.

Lebih terperinci

SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA

SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA SISTEM ANTRIAN PELAYANAN BONGKAR MUAT KAPAL DI TERMINAL BERLIAN PELABUHAN TANJUNG PERAK SURABAYA Ruhana Khabibah, Hery Tri Sutanto 2, Yuliani Puji Astuti 3 Jurusan Matematia, Faultas Matematia dan Ilmu

Lebih terperinci

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan :

Agar Xn berperilaku acak yang dapat dipertanggungjawabkan : ara memperoleh data Zaman dahulu, dgn cara : 1. Melempar dadu 2. Mengoco artu Zaman modern (>1940), dgn cara membentu bilangan aca secara numeri/ aritmati(menggunaan omputer), disebut Pseudo Random Number

Lebih terperinci

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.

BAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT. BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas

Lebih terperinci

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip

MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP

Lebih terperinci

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD

IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.

Lebih terperinci

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja

Aplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership

Lebih terperinci

BAB ELASTISITAS. Pertambahan panjang pegas

BAB ELASTISITAS. Pertambahan panjang pegas BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?

Lebih terperinci

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data

2. Menentukan koleksi inti ubi kayu dan mengevaluasi kebaikan koleksi inti yang diperoleh. METODE. Data 2 2. Menentuan olesi inti ubi ayu dan mengevaluasi ebaian olesi inti yang dieroleh. METODE Data Data yang digunaan dalam enelitian ini berasal dari Kelomo Peneliti Pengelolaan Sumberdaya Geneti (Kelti

Lebih terperinci

Pengujian One-Way ANOVA dengan manual dan dilengkapi analisis dengan SPSS 19 SOWANTO-KEMPO ANALYSIS OF VARIANS (ANOVA)

Pengujian One-Way ANOVA dengan manual dan dilengkapi analisis dengan SPSS 19 SOWANTO-KEMPO ANALYSIS OF VARIANS (ANOVA) ANALYSIS OF VARIANS (ANOVA) A. Memahami ANOVA Analysis of variance (ANOVA) atau Analisis Variansi (ANAVA) adalah tehnik statistik yang dikembangkan dan diperkenalkan pertama kali oleh Sir. R. A. Fisher.

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN 36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan

Lebih terperinci

BAB 3 PRINSIP SANGKAR BURUNG MERPATI

BAB 3 PRINSIP SANGKAR BURUNG MERPATI BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana

Lebih terperinci

Oleh: Lulut Sunarya ( ) Ghufran Rahmat Putra ( ) Debbiela Fajrina Septierly ( ) Miranti Nurbayani ( )

Oleh: Lulut Sunarya ( ) Ghufran Rahmat Putra ( ) Debbiela Fajrina Septierly ( ) Miranti Nurbayani ( ) LAPORAN Analisis Perbedaan Rata-Rata Menggunakan Uji Scheffe Laporan ini diajukan untuk memenuhi tugas mata kuliah Desain Eksperimen I Dosen : Yeny Krista Franty, S.Si., M.Si. Oleh: Lulut Sunarya (140610009007)

Lebih terperinci

Usulan Level Faktor Variasi Bahan untuk Mencapai Kuat Tekan Beton 50 Mpa dengan Metode Perancangan Eksperimen *

Usulan Level Faktor Variasi Bahan untuk Mencapai Kuat Tekan Beton 50 Mpa dengan Metode Perancangan Eksperimen * Rea Integra ISSN: 338-508 Teni Industri Itenas No. Vol. 0 Jurnal Online Institut Tenologi Nasional Otober 03 Usulan Level Fator Variasi Bahan untu Mencapai Kuat Tean Beton 50 Mpa dengan Metode Perancangan

Lebih terperinci

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan

Model Geographically Weighted Negative Binomial Regression (GWNBR) untuk Data Kejahatan Model Geographically Weighted Negative Binomial Regression (GWNBR) untu Data Kejahatan (Studi Kasus 38 Kabupaten/Kota di Jawa Timur) Herlin Venny Johannes 1,a), Septiadi Padmadisastra,b), Bertho Tantular

Lebih terperinci

MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE

MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK

Lebih terperinci

- Persoalan nilai perbatasan (PNP/PNB)

- Persoalan nilai perbatasan (PNP/PNB) PENYELESAIAN NUMERIK PERSAMAAN DIFERENSIAL Persamaan diferensial biasanya digunaan untu pemodelan matematia dalam sains dan reayasa. Seringali tida terdapat selesaian analiti seingga diperluan ampiran

Lebih terperinci

BAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain

BAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain 8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan

Lebih terperinci

Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming

Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul

Lebih terperinci

BAB 2 TINJAUAN TEORI

BAB 2 TINJAUAN TEORI BAB 2 TINJAUAN TEORI 2.1 Rancangan Percobaan Percobaan didefinisikan sebagai suatu uji coba (trial) atau pengamatan khusus yang dibuat untuk menegaskan atau membuktikan keadaan dari sesuatu yang meragukan,

Lebih terperinci

RINGKASAN SKRIPSI MODUL PERKALIAN

RINGKASAN SKRIPSI MODUL PERKALIAN RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.

Lebih terperinci

INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh

INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001

Lebih terperinci

MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM

MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.

Lebih terperinci

PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )

PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( ) PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132

Lebih terperinci

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT

PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium

Lebih terperinci

SATUAN ACARA PERKULIAHAN ( SAP )

SATUAN ACARA PERKULIAHAN ( SAP ) SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem

Lebih terperinci

PENDAHULUAN TINJAUAN PUSTAKA

PENDAHULUAN TINJAUAN PUSTAKA 1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii

Lebih terperinci

BAB 2 TEORI PENUNJANG

BAB 2 TEORI PENUNJANG BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan

Lebih terperinci

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen

Lebih terperinci

Neural Network menyerupai otak manusia dalam dua hal, yaitu:

Neural Network menyerupai otak manusia dalam dua hal, yaitu: 2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat

Lebih terperinci

MATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor

MATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong

Lebih terperinci

PENAKSIR YANG EFISIEN DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA. Mahasiswa Program S1 Matematika

PENAKSIR YANG EFISIEN DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA. Mahasiswa Program S1 Matematika PEAKIR AG EFIIE DARI KOMIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPUAI PADA AMPIG ACAK ERTRATA tevani amosir * Arisman Adnan Haposan irait Maasisa Program Matematia Dosen Jurusan Matematia Faultas Matematia

Lebih terperinci

CATATAN KULIAH RISET OPERASIONAL

CATATAN KULIAH RISET OPERASIONAL CATATAN KULIAH RISET OPERASIONAL Pertemuan minggu pertama ( x 50 menit) Pemrograman Bulat Linear (Integer Linear Programming - ILP) Tuuan Instrusional Umum : Mahasiswa dapat menggunaan algoritma yang

Lebih terperinci

METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL. Staf Pengajar Program Studi Statistika FMIPA UNDIP

METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL. Staf Pengajar Program Studi Statistika FMIPA UNDIP Optimalisasi Produ (Triastuti Wuryandari) METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL Triastuti Wuryandari 1, Tati Widiharih 2, Sayeti Dewi Anggraini 3 1,2 Staf Pengajar Program Studi

Lebih terperinci

BAB II KONSEP DAN DEFINISI

BAB II KONSEP DAN DEFINISI 6 BAB II KONSEP DAN DEFINISI Pada bab ini aan dijelasan onsep dan definisi-definisi yang digunaan dalam metode pada penelitian ini. 2.1 DATA TRANSAKSI isalan = { 1, 2, 3,..., } adalah himpunan semua produ

Lebih terperinci

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI

PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas

Lebih terperinci

Metode Penggerombolan Berhirarki

Metode Penggerombolan Berhirarki 4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e

Lebih terperinci

APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID

APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp

Lebih terperinci

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika

khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program

Lebih terperinci

Penentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway

Penentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA

Lebih terperinci

BAB IV Solusi Numerik

BAB IV Solusi Numerik BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan

Lebih terperinci

Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya

Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,

Lebih terperinci

1. Persentasi penyerapan zat besi dari tiga jenis makanan sebagai berikut (data fiktif)

1. Persentasi penyerapan zat besi dari tiga jenis makanan sebagai berikut (data fiktif) TUGAS ANALISIS REGRESI (Hal 31-33) NAMA : FADLAN WIDYANANDA NIM : 201432005 SESI : 03 1. Persentasi penyerapan zat besi dari tiga jenis makanan sebagai berikut (data fiktif) Roti Roti + Kedele Roti + Kedele

Lebih terperinci

Perbedaan Analisis Univariat dan Multivariat

Perbedaan Analisis Univariat dan Multivariat Perbedaan Analisis Univariat dan Multivariat Jika kita menganalisis data yang mempunyai lebih dari satu variabel, belum tentu analisis data tersebut dikategorikan analisis multivariat, bisa saja analisis

Lebih terperinci

4.4 ANALISA VARIANS (ANOVA)

4.4 ANALISA VARIANS (ANOVA) . ANALISA VARIANS (ANOVA) Anova banyak macamnya iantaranya: anova satu jalur; anova ua jalur. Anova satu jalur igunakan untuk perbeaan mean ari lebih ua sampel atau apat igunakan untuk uji perbeaan variabel

Lebih terperinci

4 Departemen Statistika FMIPA IPB

4 Departemen Statistika FMIPA IPB Suplemen Responsi Petemuan ANALISIS DATA KATEGORIK (STK351) 4 Depatemen Statistia FMIPA IPB Poo Bahasan Sub Poo Bahasan Refeensi Watu Ui Hipotesis Tiga Contoh atau Lebih Ui Fiedman (analisis agam dua-aah

Lebih terperinci

Perhitungan Kehilangan Pratekan Total dengan Memakai Teori Kemungkinan ABSTRAK

Perhitungan Kehilangan Pratekan Total dengan Memakai Teori Kemungkinan ABSTRAK Jurnal APLIKASI Volume 5, Nomor 1, Agustus 2008 Perhitungan Kehilangan Pratean Total dengan Memaai Teori Kemunginan M. Sigit Darmawan Dosen Jurusan Diploma Teni Sipil, FTSP - ITS Email: msdarmawan@ce.its.ac.id

Lebih terperinci

JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA

JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,

Lebih terperinci

ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI

ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini

Lebih terperinci

LAMPIRAN. Lampiran 1. Data Performa Reproduksi Sapi Perah Impor Pertama

LAMPIRAN. Lampiran 1. Data Performa Reproduksi Sapi Perah Impor Pertama 48 LAMPIRAN Lampiran 1. Data Performa Reproduksi Sapi Perah Impor Pertama No. ID Sapi... Selanjutnya Ke Tanggal Tanggal Kawin Pertama Jumlah Servis (Kali) Service Period Lama Kosong Selang 1 776 1 13/08/2009

Lebih terperinci

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT

STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU

Lebih terperinci

SOLUSI BAGIAN PERTAMA

SOLUSI BAGIAN PERTAMA SOLUSI BAGIAN PERTAMA 1. 13.. 931 3. 4 9 4. 63 5. 3 13 13 6. 3996 7. 1 03 8. 3 + 9 9. 3 10. 4 11. 6 1. 9 13. 31 14. 383 8 15. 1764 16. 5 17. + 7 18. 51 19. 8 0. 360 1 SOLUSI BAGIAN PERTAMA Soal 1. Misalan

Lebih terperinci

Analisis Varians Satu Arah (One Way Anova)

Analisis Varians Satu Arah (One Way Anova) Analisis Varians Satu Arah (One Way Anova) Fungsi Uji : Untuk mengetahui perbedaan antara 3 kelompok/ perlakuan atau lebih Asumsi : Data berskala minimal interval Data berdistribusi Normal Varians data

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA 21 Manajemen Polusi Polusi yang diaibatan oleh suatu perusahaan arena tida adanya eteraitan antar area dalam proses produsi yang bai Hasil dari produsi tersebut adalam produ yang

Lebih terperinci

Analisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network

Analisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,

Lebih terperinci

PENAKSIR RASIO-PRODUK EKSPONENSIAL YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

PENAKSIR RASIO-PRODUK EKSPONENSIAL YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA PENAIR RAIO-PRODU EPONENIAL YANG EFIIEN UNTU RATA-RATA POPULAI PADA AMPLING ACA BERTRATA Dess Nuralita 1*, Ruam Efendi, Haposan irait 1 Maasiswa Program 1 Matematia Dosen Jurusan Matematia Faultas Matematia

Lebih terperinci

Implementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf

Implementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan

Lebih terperinci