PEMBAHASAN. [Fisher, 1988] Definisi 19 (Fungsi Utilitas Joan) Fungsi utilitas Joan didefinisikan sebagai berikut. dan l. dengan x adalah kekayaan.

Ukuran: px
Mulai penontonan dengan halaman:

Download "PEMBAHASAN. [Fisher, 1988] Definisi 19 (Fungsi Utilitas Joan) Fungsi utilitas Joan didefinisikan sebagai berikut. dan l. dengan x adalah kekayaan."

Transkripsi

1 4 h x x. [Fsher 988] Des 9 (Fgs Utltas Joa Fgs tltas Joa ddeska sebaga berkt ( x x x adalah kekayaa. Teorema (etode Lagrage [Wsto 004] asalah da varabel da sat kedala Utk memaksmmka ata memmmka ( x x terhadap kedala gx ( x 0 selesaka sstem persamaa berkt maksmmka ( x x kedala gx ( x 0. Dar masalah tersebt maka dperoleh gs Lagrage sebaga berkt: l ( x λ ( x λg( x. yarat perl tk eksstes ttk ekstrm * X X aka terpeh jka tra parsal dar gs Lagrage sama ol sehgga meghaslka: l ( x x λ x g ( x x λ ( x x 0 (a x x l ( x x λ x g ( x x λ ( x x 0 (b x x da l ( x x λ g( x x 0. λ Dar Persamaa (a da (b aka dhaslka * * x x. λ yag berpadaa ttk ekstrm ( gs gx ( x 0 dsebt pegal Lagrage. [Rao 978] Des 0 (Asras Asras ata pertaggga adalah perjaja atara da phak ata lebh. Phak peaggg megkatka dr kepada phak tertaggg meerma prem asras tk memberka peggata kepada tertaggg atas kerga kersaka ata kehlaga ata taggg jawab hkm kepada phak ketga yag mgk aka dderta tertaggg yag tmbl dar sat perstwa yag tdak past ata tk memberka sat pembayara yag ddasarka atas meggal ata hdpya seseorag yag dpertagggka (Udag- Udag Repblk Idoesa Nomor Tah 99. [Iskadar ] PEBAHAAN odel eleks Portoolo arkowtz Pada tah 95 arkowtz mempblkaska tlsaya yag berjdl Portolo electo. Dalam tlsaya arkowtz memperlhatka bagamaa membat sat portoolo pelag yag lebh besar pada mbal hasl yag dharapka sat tgkat rsko. ejak saat t seleks portoolo mejad hal petg dalam ekoom keaga da dgaka dalam pasar modal tk membat sat portoolo ese. arkowtz memaskka prsp dverskas yag akhrya membatya memperoleh obel ekoom 990. Prsp dverskas adalah sat prsp bervestas pada beragam aset. Imbal hasl yag dharapka dar sat portoolo adalah pejmlaha dar mbal hasl yag dharapka dar tap sekrtas pembetk portoolo dkalka bobot masg-masg sekrtas dalam portoolo. salka E ( r p merpaka la harapa mbal hasl portoolo P da w merpaka bobot-bobot sekrtas dalam portoolo maka E ( r p dapat dtlska sebaga berkt ( p we ( r. Karea dalam pembetk portoolo haya dlhat sekrtas yag bersko saja maka

2 5 jmlah bobot dalam sat portoolo adalah sat ata secara matemats dtls w. Ragam portoolo dar portoolo da p mecermka rsko w adalah bobot-bobot sekrtas dalam portoolo. ecara matemats ragam dar sat portoolo dtlska sebaga berkt: p ww j j j adalah ragam sekrtas ke-. j adalah koragam sekrtas da j j j tk j da ww j wjw. Portoolo arkowtz dgaka tk memlh w sehgga p mmm ata dapat dtlska m kedala { w } p w. Pemlha Portoolo Pemlha sat sekrtas dalam pembetka portoolo dbag ke dalam kass sekrtas bersko da bebas rsko. Ketka mejkka sat pelag rsko mbal hasl yag ada bag vestor dapat dtjkka oleh roter ragam mmm. Froter adalah krva ragam teredah yag bsa dcapa tk mbal hasl yag dharapka dar portoolo tertet. Dalam meghadap masalah pemlha portoolo jka dperbolehka short sales dalam pembetka portoolo bersko maka portoolo bersko yag haya terdr atas sebah aset mejad tdak ese. Tetap jka short sales tdak dperbolehka maka sekrtas tggal mgk berada pada roter yat krva ragam teredah yag dcapa tk la harapa dar mbal hasl portoolo tertet. Dega meggaka mbal hasl yag dharapka ragam da koragam maka dapat dhtg portoolo ragam mmm tk setap mbal hasl yag dharapka. ema portoolo yag ada pada roter ragam mmm dar portoolo ragam global da yag d atasya memberka kombas mbal hasl rsko terbak mejad calo portoolo optmal. Gambar : Froter ragam mmm aset bersko Baga roter yag ada d atas portoolo mmm global dsebt roter ese dar aset bersko (ecet roter o rsky assets. elajtya baga dar optmsas adalah keterlbata aset bebas rsko. Gars CAL (Captal Alocato Le adalah sat gars yag mejkka sema kombas rsko mbal hasl yag mgk da terseda dar berbaga plha alokas aset. Gars bermla dar r da lrs sampa ttk. Kemrga CAL sama keaka mbal hasl yag dharapka dar portoolo legkap tk setap keaka dar stadar devas. Kemrga tersebt dsebt raso mbal hasl terhadap varabltas. Pada Gambar dapat dlhat bahwa ttk adalah ttk sggg dar CAL da roter. Ttk merpaka ttk portoolo optmal pada CAL. CAL dar portoolo optmal meyggg roter ese. CAL ggl d atas gars yag la. Oleh karea t portoolo merpaka portoolo optmal. Gambar : CAL da roter E ( r r r kemrga CAL mbal hasl bebas rsko E ( r mbal hasl yag dharapka pada pasar stadar devas pada pasar. ( E ( r portoolo ragam mmm global roter ragam mmm E ( r r roter ese roter ( r aset dvdal CAL

3 6 odel CAP dbetk dar CAL yag bersggga portoolo yag ese. Pada gars CAL mejkka pertkara rsko mbal hasl. CAL dperoleh dar portoolo bebas rsko da bersko. Ivestor aka memlh CAL yag cram karea mbal hasl yag dharapka semak besar. odel CAP -ome Kemampa tk megestmas mbal hasl sat sekrtas dvd merpaka hal yag sagat petg da dperlka oleh vestor. Utk dapat megestmas mbal hasl sat sekrtas bak dperlka sat model estmas. CAP merpaka sat model tk megestmas kesetmbaga mbal hasl yag dharapka dar sat aset bersko. odel CAP -mome (klask sebaga berkt E( r r β[ E( r r ] ( (lhat Lampra r la mbal hasl bebas rsko r la mbal hasl pada aset ke- E( r r prem rsko atas sekrtas dvd E( r r prem rsko atas portoolo pasar da rsko sstemats. Ide dasar dar CAP (The Captal Assets β Prcg odel adalah meetka harga kesetmbaga aset pada pasar. odel klask CAP telah dperkealka oleh harp (964 Lter (965 da oss (966 da t telah dcatat sebaga keragka dar kesetmbaga pasar modal sampa sekarag. Hbga kesetmbaga pada mbal hasl haya pada sat aset da haya pada sat aktor rsko yat beta. CAP merpaka sat alat peetapa harga aset yag mempredks tetag bagamaa hbga atara rsko da mbal hasl yag dharapka. Hbga mempya da gs petg. Pertama meyedaka tolok kr tgkat mbal hasl tk megevalas alterat vestas yag mgk. Keda model dapat dgaka tk medga mbal hasl yag dharapka atas aset yag belm dperdagagka d pasar. CAP mempya beberapa asms peyederhaaa tk megarahka pada vers dasar CAP sebaga berkt. Ivestor bersat prce takers. Artya vestor tdak dapat mempegarh harga da tdak ada moopol dar vestor tertet.. Terdapat bayak vestor masg-masg jmlah kekayaa yag sagat kecl dbadgka total kekayaa selrh vestor.. elrh vestor merecaaka tk sat perode vestas yag detk. 4. Ivestor yag rasoal bersaha megoptmalka mbal hasl da rsko. 5. ema vestor memlk la harapa yag seragam pada mbal hasl sekrtas tk sebarag wakt perode. 6. Tdak ada pajak da tdak ada ogkos trasaks. It dar asms adalah mecoba tk memastka bahwa dvd adalah mrp sat sama la kecal dalam hal besarya kekayaa awal da skap peghdara terhadap rsko (rsk avers. Implkas dar model CAP adalah. etap vestor aka bervestas pada portoolo yag sama (portoolo pasar.. Portoolo pasar memat sema aset yag dperdagagka d pasar propors vestas adalah sama sepert propors saham dalam portoolo pasar.. Prem rsko pasar bergatg pada tgkat peghdara rsko sema pelak pasar. Prem rsko pasar merpaka selsh mbal hasl aset bersko da aset bebas rsko. 4. Prem rsko masg-masg saham bergatg pada koragam saham tersebt pasar. Nla harapa mbal hasl portoolo atas aset bebas rsko pada CAP -mome sama prem rsko pasarya la β adalah sama sat. odel CAP -mome dasmska meyebar smetrs. elama sebara pelagya lebh ata krag smetrs d sektar rata-rata merpaka kra rsko yag ckp. Dalam kass tertet saja bahwa mbal haslya dapat dasmska meyebar ormal. ebara ormal memlk cr petg. Pertama sebara ormal adalah smetrs da dgambarka secara legkap oleh parameter yat rata-rata da stadar devas. Cr pertama berakbat bahwa rsko mbal hasl yag meyebar ormal dapat dgambarka secara peh oleh stadar devasya. Keda rata-rata tertmbag dar varabel-varabel yag meyebar ormal jga aka meyebar ormal. Oleh karea t jka mbal hasl aset dvd meyebar ormal

4 7 mbal hasl portoolo apap yag megkombaska kmpla aset aka meyebar ormal pla da stadar devasya aka secara peh mejkka rskoya. odel CAP -ome odel klask CAP -mome yag dperkealka oleh harp (964 Lter (965 da oss (966 medapat bayak peolaka da krtka dar beberapa orag. Berdasarka hasl emprs yag telah dlakka mejkka bahwa CAP klask tdak kosste. Kras-Ltzeberger memla sat dsks tetag mome yag lebh tgg dalam CAP yag dtlska pada sebah tlsa berjdl kewess Preerece ad The Valato o Rsk Assets. Kras- Ltzeberger jga meyampaka bahwa perl dtambahka skewess pada CAP tk pelaa sat aset. Berdasarka pedgaa beta da gamma saham NYE dar Jaar 96 sampa Desember 95 Kras-Ltzeberger medapatka bkt yag melbatka skewess pada prem rsko (dktp dar tess yag berjdl Prcg kewess ad Krtoss Rsk o the wedsh tock arket. ehgga CAP -mome dapat lebh eekt pada proses pembetka harga aset darpada - mome mea-varace. Berdasarka tes emprs jga bahwa CAP -mome mejkka hbga yag egat atara sstematk skewess mbal hasl aset. Dega demka sstematk skewess post lebh dska dbadg yag egat. Aset dkataka memlk coskewess post (egat apabla dapat megrag (melebhka rsko portoolo tk mbal hasl pasar yag mtlak besar da tgkat rsko redah (tgg pada kesetmbaga. Dega meambahka ras kaa pada CAP -mome gamma dkal prem peympaga pasar maka ddapat CAP - mome. odel kesetmbaga mbal hasl megasmska bahwa la mbal hasl pada portoolo pasar bersat meyebar asmetrs sebaga berkt: E( R R bβ bγ ( (lhat Lampra R r R r R r r la mbal hasl bebas rsko r la mbal hasl pada aset ke- r la mbal hasl pada portoolo pasar b prem rsko pasar b prem peympaga (skewess pasar RR Cov( R R β Var( R R ( ( ( E R E( R E R E R R E R (. ( tadar devas dyataka sebaga berkt: ( E( R R E R. (4 Gamma (rsko sstemats dyataka sebaga berkt: γ τ RR R τ R ( ( ( E R E( R E R E R R E R (. (5 Kemrga dar la mbal hasl pada keselrha portoolo ddeska: ( ( ( τ R E R E R. (6 Beta da gamma pada CAP -mome sama kra rsko sstemats. Dega meyederhaaka Persamaa ( sebaga berkt: E( R R b β b γ E( r ( r bβ bγ E( Er ( r bβ bγ E( r r bβ bγ (7 maka dperoleh Persamaa (7 sebaga model CAP -mome. Pada model CAP -mome la mbal haslya (prem rsko pada vestor sama pejmlaha dar prem rsko pasar da prem peympaga pasar la β da γ sama sat. elajtya dar Persamaa (7 aka ddapat portoolo pasar yat E ( r r b b. (8 Dalam model CAP -mome dhaslka bahwa b merpaka prem peympaga pasar. odel memperhtgka kecodoga da mome psat ke- dar model mejkka kra asmetr. Agka post pada kra skewess mejkka kecodoga yag post da lebh dska.

5 8 odel CAP N-ome odel kesetmbaga CAP kemda dpermm mejad CAP -mome. odel kesetmbaga CAP -mome megasmska bahwa la mbal hasl pada portoolo pasar adalah sebaga berkt: (lhat Lampra R r R r ( ( E R R b v (9 r la mbal hasl sekrtas ke- r la mbal hasl bebas rsko. Kemda b( da v dapat drmska sebaga berkt: b( θ P E R E( R. (0 v ( ( ( ( ( E( R E( R { } E R E R R E R. ( (lhat Lampra Dega meyederhaaka Persamaa (9 sebaga berkt: ( ( E R R b v ( ( ( r b v ( ( r b v ( maka dperoleh persamaa CAP -mome. Dega tdak memaka mome yag lebh tgg dar rata-rata da ragam tdak aka mempegarh la mbal hasl tetap bka berart bahwa kecodoga (skewess tdak petg. Dalam hal sat mbal hasl yag asmetrs yag terkat skewess dapat dhtg mome ketga. at-at Koragam da Coskewess Koragam meghtg potes dverskas dar sebah aset. Koragam megkr bayakya mbal hasl dar aset bersko bergerak bersamaa. Koragam post artya aset tersebt bergerak bersamaa jka mbal hasl kedaya melampa harapa ata kedaya lebh redah dar harapaya. Koragam egat artya aset tersebt bergerak berlawaa jka aset yag sat melampa harapa da yag sat lebh kecl dar harapaya. ert Kozg da Larso berdasarka Campbell Harvey da Akhtar ddqe (000 rsko sstematk (coskewess adalah kompoe dar sat peympaga aset yag terkat pada peympaga portoolo pasar. ebaga sebah kra rsko beta bersat ler yat beta pada sat kombas ler atas sekrtas adalah kombas ler dar la-la beta pada sekrtas t sedr. Artya sat beta dar sat portoolo sama rataa terbobot dar la-la beta sat sekrtas pada portoolo. salka Z portoolo dar sekrtas ag yag dvestaska pada sekrtas ke- r tgkat mbal hasl pada sekrtas ke- r Z tgkat mbal hasl dar portoolo r mbal hasl pada portoolo pasar maka r r βz Z r ( Z ( Z ( E r E( r r ( r r ( E E r ( ( ( ( ( E( r E( r r β. ( Utk Z sama portoolo pasar sehgga la beta adalah sat maka koragam dar tgkat mbal hasl portoolo pasar portoolo pasar t sedr sama ragam dar tgkat mbal hasl portoolo pasar. Dega demka pejmlaha terbobot dar koragam-koragam pada tgkat mbal hasl sema sekrtas portoolo pasar sama la ragam dar tgkat mbal hasl portoolo pasar. erpa t la gamma dar sat portoolo adalah rataa terbobot dar lala gamma dar masg-masg sekrtas. τ r Z r r γ Z τ r (( Z ( Z ( ( E ( r E( r r (

6 9 r r E ( (( ( ( ( ( E( r E( r r γ. (4 Coskewess dar mbal hasl pada portoolo pasar drya sedr sama skewess dar mbal hasl pada portoolo pasar. aka pejmlaha terbobot coskewess dar mbal hasl sema sekrtas dalam portoolo pasar sama skewess dar mbal hasl portoolo pasar. odel CAP -ome pada Asras Becaa ert Kozg da Larso pada tlsaya yag berjdl The N-omet Israse CAP berdasarka pera asras CAP yag dkerjaka oleh D Arcy da Doherty tgkat mbal hasl tk ektas r e terss atas kombas ler dar mbal hasl derwrtg r da mbal hasl vestas r. rp ( t r( kp( t re (5 : r e tgkat mbal hasl pada ektas P prem pada tah yag dtetka modal pemegag saham (shareholder s eqty r mbal hasl pejam (derwrtg per t prem t tgkat pajak pada pedapata derwrtg k koese pembagkt daa (perbadga atara daa cadaga terhadap prem total r mbal hasl atas vestas per t yag dvestaska t pajak pada pedapata vestas. Berdasarka Persamaa (7 la harapa ektas -mome dperoleh E ( re r bβ e bγ e. (6 Beta (gamma dar ektas merpaka kombas ler sat beta (gamma derwrtg da sat beta (gamma vestas da dapat dyataka sebaga berkt β ( ( β ( P t kp t βe (7 da Pγ ( t ( kp γ( t γ e. (8 bstts Persamaa (5 ke Persamaa (6 maka dperoleh E ( r P( t E( r( kp( t r bβ e bγ e. (9 bstts Persamaa (7 (7 da (8 ke Persamaa (9 sehgga dperoleh E ( r P( t ( kp( r bβ bγ( t P( t( bβ bγ r ( kp( t( bβ bγ. (0 Dega meyederhaaka da meyelesaka Persamaa (0 maka dperoleh mbal hasl kesetmbaga derwrtg setelah dpotog pajak sebaga berkt ( ( t kr ( t P b β ( t b γ ( t tr ( (lhat Lampra b prem rsko pasar b prem peympaga pasar Cov( r r β Var r γ ( ( ( E( r E( r ( r Imbal hasl kesetmbaga derwrtg setelah dpotog pajak terdr atas empat kompoe yat. ewakl bga yag dbayarka ke polcy holder (pemegag kebjaka tk peggaa daa mereka. Utk meagkap lag pealt pajak selama mejad derwrtg. Persapa tk kompesas rsko da 4. Persapa tk kompesas peympaga..

7 0 odel CAP N-ome pada Asras Becaa odel CAP dpermm mejad -mome megasmska bahwa modal pemegag saham adalah la mbal haslya E ( re r b( v. ( e Berdasarka Persamaa (5 maka ( t ( ( Pv kp v v t. ( e bstts Persamaa (5 ke Persamaa ( dperoleh kesetmbaga sebaga berkt E ( r P( t E( r( kp( t r b( v e. (4 Dega melakka sbstts Persamaa ( da Persamaa ( ke Persamaa (4 maka dhaslka ( ( P t r ( ( kp r b v ( t ( ( ( Pv t kp v t b(. (5 Dega meyederhaaka da meyelesaka Persamaa (5 tk mbal hasl kesetmbaga derwrtg setelah dpotog pajak maka dhaslka model asras CAP -mome sebaga berkt ( ( t kr ( t (lhat Lampra 4 tr P ( ( b v t. (6 IPULAN at skewess pada tgkat sebara mbal hasl tdak bsa dabaka begt saja. clya sebara-sebara mbal hasl yag meympag meyebabka terjadya ketdaksembaga pada prem mbal hasl yag dharapka serta rskoya. Karea sebara tersebt megalam peympaga petg tk mela sstematk skewess (coskewess ketka meetka mbal hasl kesetmbaga da prem yag dbthka pada kass jama asras becaa. Pada CAP -mome haya melbatka stadar devas da dketah bahwa stadar devas merpaka akar dar mome psat ke-. ome psat ke- haya dapat meghtg ketdakpasta mbal hasl. odel CAP - mome haya dapat meghtg mbal hasl yag sebaraya smetrs sehgga dpermm CAP -mome tk megkr mbal hasl yag sebaraya asmetrs. edagka tk meghtg mbal hasl derwrtg pada asras becaa dperlka pegembaga model asras CAP -mome dar model CAP -mome yag melbatka sat kecodogaya. ecara eksplst hal aka meghaslka peeta atas akbat dar peympaga terhadap prem kesetmbaga. Tetap belm dketah secara jelas dampak yag dtmblka tk mome yag lebh tgg dar mome ke- karea belm dlakka aalss secara emprs da mash bersat teorts saja. DAFTAR PUTAKA Bode Z Kae A da arcs A J. 00. Ivestmet. Ed. ke-6. The cgraw-hll Compaes Ic. New York. Fsher. E Itrodctory Nmercal ethods wth the NAG otware Lbrary. athematcs Departmet. The Uversty o Wester Astrala. Ghahrahma aeed Fdametal o Probablty. Ed. Ke-. Pretce Hall Ic. New Jersey.

I. PENDAHULUAN II LANDASAN TEORI

I. PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Latar Belakag Secara mm prodk asras memerlka peghtga prem Prsp peghtga prem saat semak berkembag dega berbaga pedekata Pedekata palg sederhaa adalah prsp la harapa yat prem bersh sama dega

Lebih terperinci

KULIAH KE 7. METODA KELOMPOK (COHORT SURVIVAL METHOD) Lanjutan. Melihat pengaruh komponen kematian terhadap perubahan penduduk.

KULIAH KE 7. METODA KELOMPOK (COHORT SURVIVAL METHOD) Lanjutan. Melihat pengaruh komponen kematian terhadap perubahan penduduk. ROGRA TUDI ERENANAAN WILAYAH DAN KOTA FAKULTA TEKNIK UNIVERITA EA UNGGUL ETODE ANALII ERENANAAN TL K DR. Ir. Ke arta K, T. b. Kompoe Kemata KULIAH KE ETODA KELOOK (OHORT URVIVAL ETHOD) Lajta elhat pegarh

Lebih terperinci

CAPITAL ASSET PRICING MODEL

CAPITAL ASSET PRICING MODEL CAPITAL ASSET PRICING ODEL 1. Konsep CAP 2. Perumusan CAP (CL dan SL) 3. Pelonggaran CAP unya Alteza Konsep Dasar CAP Drumuskan oleh Sharpe, Lntner & ossn (1960an) odel yang menghubungkan expected return

Lebih terperinci

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

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

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN

MODIFIKASI PENAKSIR UNTUK RASIO PADA SAMPLING BERPERINGKAT. ABSTRACT 1. PENDAHULUAN MODIFIKAI PAKIR UTUK RAIO PADA AMPLIG BRPRIGKAT Deva rw, Arsma Ada, Rstam fed Devaerw@ahoo.com Mahasswa Program Matematka Dose Jrsa Matematka Fakltas Matematka da Ilm Pegetaha Alam Kamps Bawda Pekabar,893,Idoesa

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

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

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

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

Lebih terperinci

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

ESTIMASI UKURAN SENSITIVITAS KEUNTUNGAN SAHAM DALAM PORTOFOLIO PADA SINGLE INDEX MODEL

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

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

Lebih terperinci

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB Dasar Ekoom Tekk: Matematka Uag Ekoom Tekk TIP TP UB Bahasa lra Kas (Cash low Tme Value of Moey Buga Ekvales Cash low Tata alra uag masuk da keluar per perode waktu pada suatu perusahaa lra kas aka terjad

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

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

Lebih terperinci

Muniya Alteza

Muniya Alteza RISIKO DAN RETURN 1. Estmas Retur da Rsko Idvdual. Kosep Dversfkas 3. Kovaras da Koefse Korelas 4. Estmas Retur da Rsko Portofolo Muya Alteza m_alteza@uy.ac.d Estmas Retur da Rsko 1) Estmas Realzed Retur

Lebih terperinci

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

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

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

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

Lebih terperinci

Analitik Data Tingkat Lanjut (Clustering)

Analitik Data Tingkat Lanjut (Clustering) 6 September 06 Aatk Data Tgkat Lat Csterg Imam Chossod mam.chossod@gma.com Pokok Bahasa. Kosep Csterg. K-meas vs Kere K-Meas 3. Std Kass 4. Tgas Kosep Csterg Cster data dartka keompok. Dega demka, pada

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

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

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

Lebih terperinci

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

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

Lebih terperinci

BAB 2. Tinjauan Teoritis

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

Lebih terperinci

2.2.3 Ukuran Dispersi

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

Lebih terperinci

BAB III ISI. x 2. 2πσ

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

Lebih terperinci

Bab II Teori Pendukung

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

Lebih terperinci

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

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

Lebih terperinci

Rossa Hastaryta dan Adhitya Ronnie Effendie. Universitas Gadjah Mada, Yogyakarta, Indonesia ABSTRAK

Rossa Hastaryta dan Adhitya Ronnie Effendie. Universitas Gadjah Mada, Yogyakarta, Indonesia ABSTRAK Rossa Hastaryta dkk., Estmas Vale-at-Rsk ESTIMASI VALUE-AT-RISK DENGAN PENDEKATAN EXTREME VALUE THEORY-GENERALIZED PARETO DISTRIBUTION (STUDI KASUS IHSG 997-2004) (Vale-at-rsk Estmato wth the Extreme Vale

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

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

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

Lebih terperinci

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS

PENDEKATAN ESTIMATOR KERNEL UNTUK ESTIMASI DENSITAS MULUS J. Pjar MIPA Vol. V No. September : 8-85 ISSN 97-7 PENDEATAN ESTIMATOR ERNEL UNTU ESTIMASI DENSITAS MULUS Lala Hayat Program Std Peddka Matematka PMIPA FIP Uverstas Mataram Jl. Majapat No. 6 Mataram 835

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB III PERSAMAAN PANAS DIMENSI SATU

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB

IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Semar Nasoal Tekolog 007 (SNT 007) ISSN : 978 9777 IMPLEMENTASI DAN KOMPARASI ATURAN SEGIEMPAT UNTUK PENYELESAIAN INTEGRAL DENGAN BATAS MENGGUNAKAN MATLAB Krsawat STMIK AMIKOM Yogyakarta e-mal : krsa@amkom.ac.d

Lebih terperinci

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007

PEMODELAN REGRESI PROBIT ORDINAL TERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA TENGAH TAHUN 2007 Semar Nasoal Statstka IX Isttt ekolog Seplh Nopember, 7 November 009 PEMODEAN REGRESI PROBI ORDINA ERHADAP INDEKS PEMBANGUNAN MANUSIA PROPINSI JAWA ENGAH AHUN 007 Def Yst Fadah da Prhad Mahasswa Jrsa Statstka

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

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

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

Lebih terperinci

3 Departemen Statistika FMIPA IPB

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

Lebih terperinci

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

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

Lebih terperinci

Regresi Linier Sederhana Definisi Pengaruh

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

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

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

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

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

Lebih terperinci

EKONOMI TEKNIK. Ekuivalensi

EKONOMI TEKNIK. Ekuivalensi EKONOMI TEKNIK Ekuvales Ekuvales Ekuvales = Nla uag yag sama pada waktu yag berbeda. Jumlah uag berbeda pada waktu berbeda dapat berla ekooms sama. Cotoh = harga bes Rp 4.5, (25), Rp 5.5, (29), da Rp 6.5

Lebih terperinci

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari

PENGGUNAAN VALUE AT RISK DALAM ANALISIS RISIKO PADA PORTOFOLIO SINGLE INDEX MODEL (Studi Kasus Data Saham LQ 45) Intisari Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 3 (014), hal 15. PENGGUNAAN VALUE AT ISK DALAM ANALISIS ISIKO PADA POTOFOLIO SINGLE INDEX MODEL (Stud Kasus Data Saham LQ 45) Ed Saputra, Neva

Lebih terperinci

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

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

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

UKURAN GEJALA PUSAT (UGP)

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

Lebih terperinci

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA

BAB IV METODE BINOMIAL UNTUK PENENTUAN HARGA OPSI ASIA BAB IV : METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA 35 BAB IV METODE BIOMIAL UTUK PEETUA HARGA OPSI ASIA Pada bab ii aka dibahas sat pedekata merik tk peeta harga opsi Asia, khssya opsi Asia dega rata-rata

Lebih terperinci

Nama : Crishadi Juliantoro NPM :

Nama : Crishadi Juliantoro NPM : ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

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

Lebih terperinci

TINJAUAN PUSTAKA Evaluasi Pengajaran

TINJAUAN PUSTAKA Evaluasi Pengajaran TINJAUAN PUSTAKA Evaluas Pegajara Evaluas adalah suatu proses merecaaka, memperoleh da meyedaka formas yag sagat dperluka utuk membuat alteratf- alteratf keputusa. Dalam hubuga dega kegata pegajara evaluas

Lebih terperinci

Penurunan Persamaan Perpetuitas dan Anuitas

Penurunan Persamaan Perpetuitas dan Anuitas SEMINR NSIONL MTEMTIK DN PENDIDIKN MTEMTIK UNY 2016 Peurua Persamaa Perpetutas da utas T - 6 Bud Fresdy Fakultas Ekoom da Bss Uverstas Idosa bstrak Mahasswa bss da akutas, debtor bak, da vestor memerluka

Lebih terperinci

STATISTIKA DASAR. Oleh

STATISTIKA DASAR. Oleh STATISTIKA DASAR Oleh Suryo Gurto cara peyaja data - tabel - grak meghtug harga-harga petg : - ukura lokas - ukura sebara/peympaga apabla data mempuya observasya cukup bayak perlu dsusu secara sstematk

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

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

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

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

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

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

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

Lebih terperinci

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

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

Lebih terperinci

ANALISIS PERBANDINGAN ARUS KAS PT DUTA PERTIWI TBK DAN PT KAWASAN INDUSTRI JABABEKA TBK

ANALISIS PERBANDINGAN ARUS KAS PT DUTA PERTIWI TBK DAN PT KAWASAN INDUSTRI JABABEKA TBK ANALISIS PRBANDINGAN ARUS KAS PT DUTA PRTIWI TBK DAN PT KAWASAN INDUSTRI JABABKA TBK (Rsk ad Cash Flow Aalyss) Oleh/By: Sutart da Sr Bawoo Dose Akadem Maajeme Kesatua da STI Kesatua ABSTRAK Perusahaa megguaka

Lebih terperinci

Kritikan Terhadap Varians Sebagai Alat Ukur

Kritikan Terhadap Varians Sebagai Alat Ukur Krtkan Terhadap Varans Sebaga Alat Ukur Varans mengukur penympangan pengembalan aktva d sektar nla yang dharapkan, maka varans mempertmbangkan juga pengembalan d atas atau d bawah nla pengembalan yang

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode

II. TINJAUAN PUSTAKA. Dalam proses penelitian untuk menganalisis aproksimasi fungsi dengan metode II. TINJAUAN PUSTAKA Dalam proses peelta utuk megaalss aproksmas fugs dega metode mmum orm pada ruag hlbert C[ab] (Stud kasus: fugs rasoal) peuls megguaka defs teorema da kosep dasar sebaga berkut:.. Aproksmas

Lebih terperinci

PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR

PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR PERBANDINGAN KEEFEKTIFAN METODE REGRESI ROBUST ESTIMASI-M DAN ESTIMASI- MM KARENA PENGARUH OUTLIER DALAM ANALISIS REGRESI LINEAR (CONTOH KASUS DATA PRODUKSI PADI DI JAWA TENGAH TAHUN 007) skrps dsajka

Lebih terperinci

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

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

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema II. LANDASAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teorea-teorea ag edukug utuk pebahasa pada bab IV. Pegerta (defs) da teorea tersebut dtulska sebaga berkut... Teorea Proeks Teorea proeks

Lebih terperinci

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

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

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

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

Lebih terperinci

Menghitung Kinerja Investasi

Menghitung Kinerja Investasi Meghtug Kerja Ivestas Dalam perjalaa vestas, la suatu asset bsa berubah dar waktu ke waktu akbat perubaha kods pasar. Sela tu, sebaga baga dar proses vestas, vestor perlu mematau da megevaluas kerja vestas

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

MATEMATIKA INTEGRAL RIEMANN

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

Lebih terperinci

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

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

Lebih terperinci

SINGLE INDEX MODEL SEBAGAI ALAT ANALISIS OPTIMALISASI PORTOFOLIO INVESTASI SAHAM (Studi Kasus pada Kelompok Saham LQ-45 di BEI Tahun )

SINGLE INDEX MODEL SEBAGAI ALAT ANALISIS OPTIMALISASI PORTOFOLIO INVESTASI SAHAM (Studi Kasus pada Kelompok Saham LQ-45 di BEI Tahun ) 1 Jural Ilmu Maajeme & Bss - Vol. 04, No. 01. Maret 013 SINGLE INDEX MODEL SEBAGAI ALAT ANALISIS OPTIMALISASI PORTOFOLIO INVESTASI SAHAM (Stud Kasus pada Kelompok Saham LQ-45 d BEI Tahu 009-011) Sgt Trharjoo

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

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

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

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

Lebih terperinci

FMDAM (2) TOPSIS TOPSIS TOPSIS. Charitas Fibriani

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

Lebih terperinci

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

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 ERROR PERHITUNGAN NUMERIK

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

Lebih terperinci

CAKUPAN PEMBAHASAN. APT (Arbritage Pricing Theory) Overview. Pengujian CAPM. CAPM (Capital Asset Pricing Model) Portofolio pasar.

CAKUPAN PEMBAHASAN. APT (Arbritage Pricing Theory) Overview. Pengujian CAPM. CAPM (Capital Asset Pricing Model) Portofolio pasar. http://www.deden08m.wordpress.com CAKUPAN PEBAHASAN Overvew CAP (Captal Asset Prcng odel) Portofolo pasar Gars pasar modal Gars pasar sekurtas Estmas Beta Pengujan CAP APT (Arbrtage Prcng Theory) 1/40

Lebih terperinci

WAKTU PERGANTIAN ALAT BERAT JENIS WHEEL LOADER DENGAN METODE LEAST COST

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

Lebih terperinci

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

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

Lebih terperinci

ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING

ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING ANALISIS PERENCANAAN TENAGA KERJA DI PERUSAHAAN REDRYING TEMBAKAU DENGAN PENDEKATAN LINEAR PROGRAMMING S A R T I N JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNVERSITAS PEMBANGUNAN NASIONAL VETERAN

Lebih terperinci