Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator

Ukuran: px
Mulai penontonan dengan halaman:

Download "Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator"

Transkripsi

1 70 Mode Pob... (Jaka Nugaha dkk) Mode Pob pada Respos Be Muvaa Megguaka Smuaed Maxmum Lkehood Esmao Pob Mode o Muvaae Bay Respose Usg Smuaed Maxmum Lkehood Esmao Jaka Nugaha ), Suyo Guo ), S Hayam ) Juusa Saska UII, S3 Maemaka UGM Juusa Maemaka UGM ABSRAC I hs pape, we dscuss pob mode o muvaae bay espose. We assume ha each of dvduas s obseved esposes. Y s h espose o h dvdua/subjec ad each espose s bay. Each subjec has covaae X (dvdua chaacesc) ad covaae Z j (chaacesc of aeave j). Respose o dvdua h ca be epeseed by Y = (Y,...,Y ), Y s h espose o h dvdua/subjec ad each espose s muoma. I ode o smpfy, we choose oe of dvdua chaacescs ad aeave chaacescs. We use smuaed maxmum kehood esmao (SMLE) mehods o esmae he paamee based o Geweke- Hajvassou-Keae (GHK) smuao. We fd he fs devave of kehood fuco fo muvaae bay pob. he, we expad o muvaae muoma espose. he fs devave s used he BHHH (Bed, Ha, Ha, Hausma) eao o oba esmaos. Keywods: Radom uy mode, smuaed maxmum kehood esmao, geeazed esmag equao, BHHH, GHK smuao, Newo-Raphso PENDAHULUAN Pada daa pae, pegamaa dakuka secaa beuag ehadap subjek da vaabe yag sama. Pembahasa megea pemodea espo be pada daa pae eah dakuka oeh bayak pee. Mode yag seg dguaka mode pob da mode og. Mode dsusu bedasaka pedekaa mode efek eap, mode efek adom da mode damk. Meode esmas paamae yag dguaka meode maxmum kehood esmao (MLE), meode mome da meode geeazed esmag equao (GEE). Suku mode yag pag sedehaa mode depede, yau dega megasumska bahwa aa espo pada subjek yag sama maupu aa subjek depede. Dega asums, pobabas gabuga meupaka pekaa da pobabas magaya. Lag & Zege (986) meyampaka bahwa aass ogsk maupu pob pada daa pae dega megguaka pedekaa uvaa, yak megabaka adaya koeas aka meghaska esmao paamee yag mash kose eap jka edapa koeas yag besa maka peaks esebu mejad dak efse. Pece (988) meyampaka saeg pemodea megguaka pedekaa GEE uuk medapaka esmao koefse eges yag kosse da asmos oma. Pedekaa GEE dak megguaka pehuga ega agkap. Cooyas e a. (00) meyaaka bahwa pada mode efek eap jka edapa koeas aaa efek dvdu ehadap vaabe depede maka esmao yag dpeoeh mejad dak efse. Dega megguaka mode efek adom, esmao yag ddapaka mejad ebh efse. Mode a yag dkembagka daam daa pae mode damk. Mode damk sepe haya mode me sees, edapa pegauh aa espo secaa beuua (Cooyas e a. 00). Has e a. (000) eah meakuka peguja sfa-sfa esmao mode pob pada daa pae da meympuka bahwa esmas megguaka MLE mash meghaska esmao yag bak meskpu jumah sampe ebaas. Mode pob pada daa pae dek dega mode pob uuk kepuusa ugga, haya suku mak kovaasya ebh besa. Pegembaga mode yag eah dakuka dega megoo kaakesk dvdu yag dak eobsevas da homoge ehadap peuaga pegukua. Jka kaakesk dvdu heeoge, maka

2 Jua ILMU DASAR o. No., Jaua 00 : aka mejad masaah daam esmas paamee yau esmas paamee mejad bas (Geee 003). Meode SMLE dek dega MLE, haya saja popos masg-masg pha dhug secaa smuas. Meode smuas dguaka uuk meghug ega agkap. Pada mode pob, meode smuas GHK meupaka meode smuas yag pag efse da besfa ak bas (Hajvassou e a. 996). Geweke e a. (997) juga eah meemuka meode pehuga ega agkap megguaka pedekaa smuas Moe Cao yag dkea dega ama meode GHK mempuya sfa ak bas da kosse. Nugaha (000) eah meakuka peguja sfa-sfa esmao paamee pada eges ogsk bvaa dega megguaka meode MLE da GEE. Meode esebu meghaska esmao yag kosse. Nugaha e a. (006) meujukka bahwa mode ogsk pada daa be muvaa dega megguaka pedekaa GEE meghaska peaks paamee dega vaas yag ebh kec dbadgka dega pedekaa asums depede. Seg ka pada masg-masg dvdu dama bebeapa vaabe depede yag bebeda secaa besamaa. Pegamaa sepe meghaska espo muvaa. Peea megea pemodea espo be muvaa mash sedk medapa pehaa da paa pee. Semeaa u apkas pemodea espo be muvaa saga uas. Bedasaka pegembaga mode espo be yag eah dakuka pada daa pae, makaah membahas peyusua mode pada daa espo be muvaa megguaka mode pob. Esmas paamee dakuka dega megguaka meode MLE yag ddasaka pada smuas GHK. Mode uas Dasumska bahwa dvdu masg-masg dobsevas sebayak espo. Y espo ke- pada dvdu/subjek ke- da seap espoya be. Respo pada dvdu ke-, dapa dsajka daam beuk Y = (Y,...,Y ), sehgga Y = j jka subjek espo ke- memh aeaf j (j=0,). Dasumska bahwa pha dvdu daam megamb kepuusa Y kaea mempuya uas maksmum da dpegauh oeh kovaa X sebaga kaakesk dvdu da kovaa Z j sebaga kaakesk aeaf/pha j. Uuk meyedehaaka peusa, damb sau vaabe kaakesk dvdu da sau vaabe kaakesk pha. U subjek memh aeaf j pada espo ke- U j = j + ε j. uuk =,,..., ; =,,..., ; j=0, () dega j = α j +β j X + γ Z j U j uas yag meupaka vaabe ae da j damaka epeseaf u. α j,β j da γ paamee daam mode uas. Pada adom uy mode (RUM), dasumska bahwa pembua kepuusa (subjek) meeuka pha bedasaka a uas yag maksmum, sehgga mode () dapa dsajka daam beuk sesh uas, U = U - U 0 = ( 0 )+ (ε - ε 0 ) = + ε () dega = (α -α 0 ) + (β -β 0 )X + γ (Z - Z 0 ) da ε = ε - ε 0. Seajuya dapa dsusu hubuga aaa Y da vaabe ae U, yau y = <=> U > U 0 <=> U > 0 <=> - < ε da y = 0 <=> U < U 0 <=> U <0 <=> - > ε Pobabas subjek memh (y =,..., y = ) P(y =,..., y = ) = P(0 < U,..., 0 < U ) = P(- < ε,..., - < ε ) = I ( < ε ). f ( ε ) dε ε (3) dega ε = (ε,..., ε ). Na pobabas meupaka huga ega agkap da egaug pada paamee θ = (α, β,γ) maupu dsbus ε. Daam ha aka dguaka mode pob. Meode esmas paamee yag dguaka pada mode pob meode MLE. Mode pob duuka da asums bahwa veko ε bedsbus oma muvaa dega mea o da mak kovaas Σ. Fugs desas uuk ε f ( ε ) = φε ( ) = exp[ εσ ε ] / / (4) ( π ) Σ Pobabas maga (uuk suau da ) π = P(y = X,Z ) = P(- < ε ) = - Φ(- ) (5) sehgga PY ( = y y ) = π ( π ) y

3 7 Mode Pob... (Jaka Nugaha dkk) da sfa smes dsbus oma maka pesamaa (5) dapa juga dyaaka sebaga π = P(y = X,Z ) = P(- < ε ) = P(ε < ) = Φ( ) (6) dega Φ ( = exp[ ] ε dε. / ( πσ ) σ Fugs kehood da sampe adom beukua L( θ ) = L ( Y X, Z, θ ) (7) = dega Y = (Y,...,Y ) meupaka veko obsevas (espo) be. HASIL DAN PEMBAHASAN Mode pob depede Pobabas maga uuk espo Y y y PY ( = y) = π ( π ) = (Φ( )) y (-Φ( )) -y da da pesamaa (5) dpuya - π = Φ(- ) maka pobabas magaya dapa dyaaka sebaga PY ( = y) = Φ[(y ) ] (8) Jka dasumska Y sag depede uuk seap da maka y = = = π π = PY ( y,..., Y y ) ( ) = ((y ) = Φ Fugs kehoodya L( θ) = L ( Y X, Z ; θ) = = = ((y ) = Φ da fugs og-kehoodya y (9) (0) ( ( )) () LL( θ ) = Φ (y = = Devaf peama LL(θ) ehadap paamee θ = (α, α 0, β 0, β, γ ) LL( θ ) ( y φ (( y = ; Φ (y α 0 = ( ) φ ( ) ((y ) φ ( ) Φ( (y φ ( ). ((y ) φ ( ) ((y ) LL( θ ) (y (y ) = α = Φ. LL( θ ) (y X (y = β 0 = ; LL( θ ) (y X (y ) = β = Φ LL( θ ) (y Z (y ) = γ = Φ () dega =(α -α 0 ) +(β -β 0 )X + γ Z j, uuk =,...,. LL( θ) LL( θ) Jka = = 0 α α 0 maka α 0 da α dak edefkas. Demka juga, jka LL( θ) LL( θ) = = 0 β β maka β 0 da β dak 0 edefkas. Oeh kaea u saah sau dbe a eeu (msa α 0 = da β 0 = ). Jka θ = (α, β, γ ) da α 0 = da β 0 = maka da pesamaa () dpeoeh pesamaa peaks LL α LL LL = θ β LL γ ( y φ (( y = X = 0 = Φ( (y Z (3) dega =(α -)+(β -)X +γ Z j, uuk =,...,. MLE uuk θ meupaka peyeesaa pesamaa peaks. Devaf ke dua fugs og-kehood () (y X Z LL (y φ ((y = X (y X X Z θ θ ((y ) = Φ Z X Z (y Z X Z (( y φ (( y ) X XZ = Φ( (y Z X Z (4) Pesamaa peaks (3) dapa dseesaka dega megguaka eas Newo-Raphso. Jka θ = (α, β, γ ) da uuk eeu maka pesamaa eas ke-(k+) ( k + ) ( ) ( ) ( H k k θ = θ ) g (5)

4 Jua ILMU DASAR o. No., Jaua 00 : dega g = = φ ( ) ((y ) (y (y ) Φ X Z ( ) ( k) ( k) y X Z (y φ ((y H = ( ) X y X X Z = Φ( (y ) Z X Z (y Z X Z (( y φ (( y )) X XZ = Φ( (y ) Z X Z Uuk meakuka peguja ehadap esmao dapa dguaka sfa Noma asmos pada peaks MLE, ˆ a θ N[ θ,{ I( θ )} ] (6) dega og LL ( θ ; X ) I( θ ) = E E[ ] = H θ θ Secaa umum jka edapa ebh da sau vaabe kaakesk dvdu (X,..,X M ) da vaabe kaakesk pha (Z j,...,z jk ) maka j = α j + β j X β Mj X M + γ Z j,...,+ γ K Z jk uuk =,.. ; j=0, da =,..,. Aga paameeya edefkas maka deuka a α 0 = da β m0 = uuk semua m da. Paamee yag desmas θ = (α, β,...,β M,γ,...,γ K ). MLE meupaka peyeesaa da pesamaa (y φ ((y X = 0 (7) = Φ( (y Z dega X = [X...,X M ], Z j = [Z j,...,z jk ], = 0, Z = Z Z 0 uuk seap. Mode pob be muvaa eko ε = (ε,..., ε ) bedsbus oma muvaa dega mea o da mak kovaas Σ da masg-masg ε bedsbus oma sadad. ε ~ MN(0, Σ) da ε ~N(0,) uuk =,...,. σ... σ σ... σ Σ= σ σ... Kaea Σ meupaka mak sme, maka σ = σ uuk, =,...,. y = 0 jka espode memh aeaf peama da y =, jka espode memh aeaf ke dua. Pobabas magaya PY ( = y) = Φ[(y -) ] Pobabas gabugaya PY ( = y,..., Y = y ) = P( ε < (y ),..., ε < (y w w w = φ ( ε ; θ; Σ) dε = φ ( ε ; θ; Σ) dε D( Y ) = Φ ( w ;0; Σ) ) (7) dega w = (y -) da D(Y ) = [-,w ] [-,w ] [-,w ]. φ meyaaka fugs desas oma muvaa da espo sebayak. Fugs og kehoodya LL( θ; Σ ) = Φ ( w ;0; Σ ) (9) = Φ ( w ;0; Σ) dhug megguaka smuao GHK dega fako Choesky C, sehgga paamee yag desmas ω = (θ, c). c eeme-eeme mak C. c c c C = c c c c c c c 3 sehgga pesamaa u () mejad U cη = + uuk =,..., da η ~ = N(0,I) Dega megguaka agoma pada smuas GHK (a, 003) dpeoeh (( y ) + c η ) k k ( k = p = Φ = Φ = = c (0) dek meyaaka pegamba ke- daam smuas, R p ( = p ( R = Fugs og-kehood mejad R sm og L( ω) = og p ( ( ω) = R = R = og Φ = R = = () Esmao ω yag dhug megguaka meode Newo-Raphso memeuka devaf

5 74 Mode Pob... (Jaka Nugaha dkk) peama da devaf ke dua da fugs ogkehood (). Uuk meghda devaf kedua da fugs og kehood, dapa dguaka meode eas BHHH (Chog & Zak 996). Meode BHHH haya memeuka devaf peama. Seajuya aka dhug devaf peama fugs og kehood dega megguaka oas c (y h η + > a, = h h= c c (y c Pesamaa (0) mejad ( ( a ) ( a ) ( a ) = () p =Φ. Φ... Φ =Φ. Φ... Φ = Φ,,, Devaf peama fugs kehood () R ( φ a, smog L( ω) = ( ( )). R p ω ω = ( R = = Φ ω R = p ( ω) (3) dega c φ( a ) a h, h, (y h u.. +, h, > a, h c ( ) c = φη ω ω h, = ω (y, = c ω c φ( a ) a h h, h, u uuk k j< h, h= c φη ( ) c h, jk a, ηk, = uuk k< j= c c jk a, uuk k= j= c Dega megguaka agkah-agkah peyusua mode da esmas paamee pada mode pob be muvaa, dapa dkembagka uuk mode pob muoma muvaa KESIMPULAN Mode pob dapa dmpemeaska daam pemodea daa be muvaa yag ddasaka pada Radom Uy Mode. Meode MLE dapa dguaka uuk megesmas paamee. Jka dasumska Y sag depede uuk seap da, MLE meupaka peyeesaa da pesamaa = φ ( ) ((y (y (y ) Φ = X = 0 Z dega X = [X...,X M ], Z j = [Z j,...,z jk ], = 0, Z = Z Z 0 uuk seap. Jka dasumska Y sag bekoeas, maka fugs kehoodya aka mebaka huga ega agkap. Na pobabas yag meupaka huga ega agkap daam fugs kehood dapa dseesaka megguaka smuao GHK. Uuk meghda pegguaa devaf kedua da fugs og-kehood, pesamaa peaks yag dpeoeh da MLE dapa dseesaka megguaka eas BHHH. DAFAR PUSAKA Chog EKP & Zak SL A Ioduco o Opmzao. Joh Wey & Sos, Ic. Cooyas P, Adew MJ & Rce N. 00. Dyamcs of Heah Bsh Househod: Smuao-Based Ifeece Pae Pob Mode. Wokg Pape Depame of Ecoomcs ad Reaed Sudes, Uvesy of Yok. Cooyas P, Adew MJ & Gozaes RL. 00. Usg Smuao-Based Ifeece Wh Pae Daa I Heah Ecoomcs. Wokg Pape Depame of Ecoomcs ad Reaed Sudes, Uvesy of Yok. Geweke JF, Keae MP & Ruke DE Sasca Ifeece he Muoma Mupeode Pob Mode. Joua of Ecoomecs 80: Geee W Ecoomecs Aayss. 5 Edos. Pece Ha. Hajvassou, McFadde D & Ruud P Smuao of Muvaae Noma Recage Pobabes ad he devaves: heoeca ad Compuaoa Resus. Joua of Ecoomecs 7: Has MN, Macquae LR & Soucs AJ Compaso of aeave Esmaos fo Bay Pae Pob Modes. Meboue Isue Wokg Pape o 3/00. Lag KY & Zege SL Loguda Daa Aayss Usg Geeazed Lea Modes. Bomeka 73: 3-. Nugaha J Peaksa paamee pada eges ogsk bvaa. Makaah Sema Nasoa Maemaka d UGM.

6 Jua ILMU DASAR o. No., Jaua 00 : Nugaha J, Guo S & Hayam S Mode Reges Logsk uuk Respos Be Muvaa dega Geeazed Esmag Equao. Makaah Sema Nasoa Maemaka da Peddka Maemaka d UNY. Pece Coeaed Bay Regesso wh Covaaes Specfc o Each Bay Obsevao. Bomecs 44: a K Dscee Choce Mehods wh Smuao, UK Pess, Cambdge.

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee Jural ILMU DASAR Vol. 0 No.. 009 : 85 9 85 Esmas Parameer Model Log pada Respos Ber Mulvara Megguaka Meode Mle da Gee Esmag Parameers of Log Model o Mulvarae Bary Respose Usg Mle ad Gee Jaka Nugraha, Suryo

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract Esmas Paamee (Ida sa) ESIMASI PARAMEER DISRIBUSI WEIBULL DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah, Sugo, Ra Rahmawa Mahasswa Juusa Saska FSM Uvesas Dpoegoo Sa Pegaja Juusa Saska FSM UNDIP Absa

Lebih terperinci

Kredibilitas dengan Pendekatan Bühlmann

Kredibilitas dengan Pendekatan Bühlmann Kedblas dega Pedekaa Bühlma Isada Slame da Ksa Naala Juusa Maemaka FMIPA UNS Absak Teo kedblas meupaka poses pembuaa a oleh akuas uuk melakuka peyesuaa pem d masa depa meuu pegalama masa lampau. Pada eo

Lebih terperinci

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka

Lebih terperinci

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga BAB II LANDASAN TEORI Pada bab aka dbahas bebeapa eo dasa yag dpeluka pada pembahasa bab-bab bekuya aaa la eag model pegeaka haga saham, model kesembaga, meode maxmum lkelhood esmao, ops pu Ameka, smulas

Lebih terperinci

MAXIMUM LIKELIHOOD ESTIMATION (MLE) PADA MODEL LOGISTIK EXPONENSIAL

MAXIMUM LIKELIHOOD ESTIMATION (MLE) PADA MODEL LOGISTIK EXPONENSIAL KNM XVI -6 Ju UNPAD Jaagor MAXIMUM LIKELIHOOD EIMAION MLE PADA MODEL LOGIIK EXPONENIAL DEI RAHMAINA Uversas Marm Raa A Ha.J Poekk. eggarag. augpag ema : [email protected] Absrak Mode ogsk ekspoesa yag

Lebih terperinci

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

V. PENGEMBANGAN MODEL KELAYAKAN FINANSIAL FUZZY

V. PENGEMBANGAN MODEL KELAYAKAN FINANSIAL FUZZY 39 V. PENGEMBANGAN MODEL KELAYAKAN FINANSIAL FUZZY 5.. Pegembaga Mode Pemodea fuzzy eah ebuki sebagai ekik yag saga begua keika peaaa daam kodisi keidakpasia aau dega ifomasi yag idak pasi seig dijumpai

Lebih terperinci

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

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

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain Jual Gade Vol.4 No. Jaua 28 : 328-332 edeskpsa Kou Da Image Suau Kawasa Eksploas egguaka oe Calo akov Cha Jose Rzal, Ulfasa Rafflesa Juusa aemaka, Fakulas aemaka da Ilmu egeahua Alam, Uvesas Begkulu, Idoesa

Lebih terperinci

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A **

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A ** MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS Aeke Iswa A ** Abstrak Apaba berhadapa dega data has meghtug yag berupa frekues, kemuda dtetuka varabe bebas da tak bebas yag berupa propors, maka

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

BILANGAN BAB V BARISAN BILANGAN DAN DERET

BILANGAN BAB V BARISAN BILANGAN DAN DERET Maemaika Kelas IX emese Baisa Bilaga da Dee BILANGAN BAB V BARIAN BILANGAN DAN DERET A. Baisa Bilaga. Pegeia Baisa Bilaga Jika bilaga-bilaga diuuka dega aua eeu maka aka dipeoleh suau baisa bilaga. Cooh

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 5 BAB II TINJAUAN PUSTAKA Pada bab aka dbahas eag posedu peguja hpoess uuk daa yag beasal da dua sampel salg behubuga aau slah la dua sampel bepasaga. Salah sau cooh adalah ekspeme yag pegukuaya dlakuka

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES JURNA GAUSSIAN Volume Nomo ahu 0 Halama 03- Ole d: hp://ejoual-sudpad/dephp/aussa ESIMASI PARAMEER DISRIBUSI WEIBU DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah Suo Ra Rahmawa 3 Mahasswa Juusa Saska

Lebih terperinci

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV BAB III STATISTIK INFERENSI PADA RANTAI MARKOV 3. Pedahulua Pada Bab II elah dibahas megeai aai Makov beode- aau Ō() da maiks peluag asisiya. Pada bagia ii, aka dibahas bagaimaa meeuka ode aai Makov dai

Lebih terperinci

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori Ruag Basa Sesh ( Δ ),< < da Bebeaa Pemasaaha Kaatesas Podu Teso ( Δ) ( Δ) Musm Aso Juusa Matemata, FMIPA, Uvestas Lamug J. Soemat Bodoegoo No. Bada Lamug 3545 E-ma: [email protected] ABSTRACT I ths ae we

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

Lebih terperinci

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *)

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *) VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI Baso Iag Sappale * Absac To measue a vaable eeded by vald sume ad elabel. Resul of measueme a vaable vey flueced by qualy of sume,

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Bulet Ilmah Mat. Stat. da eapaa (Bmaste) Volume 0, No. (0), hal 79-86. ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI PRODUKSI ANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Zaal Ap, Muhlasah Novtasa Maa, Neva Satahadew

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

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

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6)

Pemecahan Masalah Integer Programming Biner Dengan Metode Penambahan Wawan Laksito YS 6) Pemecaha Masalah Ieger Programmg Ber Dega Meode Peambaha Wawa Lakso YS 6) ISSN : 1693 1173 Absrak Program Ler adalah perecaaa akfas-akfas uuk memperoleh suau hasl yag opmal. Tdak semua varabel kepuusa

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

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

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi. . Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

PENGUJIAN HIPOTESIS DUA RATA-RATA

PENGUJIAN HIPOTESIS DUA RATA-RATA PENGUJIN HIPOTEI DU RT-RT Pegujia hipoesis dua raa-raa diguaka uuk membadigka dua keadaa aau epaya dua populasi. Misalya kia mempuyai dua populasi ormal masig-masig dega raa-raa µ da µ sedagka simpaga

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian 3 III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMAN Teusa Nuya. Populas dalam peelta adalah seluuh sswa kelas X SMAN Teusa Nuya semeste geap tahu pelajaa / yag bejumlah lma kelas. Kemampua

Lebih terperinci

JENIS BUNGA PEMAJEMUKAN KONTINYU

JENIS BUNGA PEMAJEMUKAN KONTINYU JENIS BUNGA PEMAJEMUKAN KONTINYU Suku Buga Nomal Suku Buga Efektf Hubuga ataa Suku Buga Nomal da Efektf Aus Daa Dskt da Aus Daa Kotyu SUKU BUNGA NOMINAL & SUKU BUNGA EFEKTIF Selama daggap aus daa (peemaa

Lebih terperinci

Integral Mcshane Fungsi Bernilai Banach

Integral Mcshane Fungsi Bernilai Banach ea shae s Bea Baah Hey Pbawao Syawa sa aeaa Uvesas Saaa Dhaa Yoyaaa e-a heybs@sasdad Absa ea Shae eaa ea e Rea ya ea daa ea Heso-zwe da evae dea ea Lebese D daa aaah aa dbaaa sa ea ea Shae ya s bea ada

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

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

ASURANSI KESEHATAN INDIVIDU PERAWATAN RUMAH SAKIT. Yuciana Wilandari Jurusan Matematika FMIPA UNDIP Jln. Prof. H. Soedarto, S.H.

ASURANSI KESEHATAN INDIVIDU PERAWATAN RUMAH SAKIT. Yuciana Wilandari Jurusan Matematika FMIPA UNDIP Jln. Prof. H. Soedarto, S.H. ASURASI KESEHAA IIVIU PERAWAA RUMAH SAKI Yucaa Wadar Jurusa Maemaka FMIPA UIP J. Prof. H. Soedaro, S.H., Semarag 575 Absrac. he Iddua Isurace Heah of he Hospa Care s a cooperao form o reduce hospa epeses.

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMA YP Ula Badalampug yag belokas d Jl. Jedal R. Supapto No.88 Tajug Kaag Badalampug. Populas yag dguaka dalam peelta adalah seluuh sswa kelas

Lebih terperinci

Ukuran Dispersi Multivariat

Ukuran Dispersi Multivariat Bab IV Ukua Disesi Mulivaia Pada bab ii, eama-ama aka dikemukaka defiisi eag veko vaiasi vaiabel-vaiabel sada (VVVS sebagai ukua disesi mulivaia akala seluuh vaiabel yag eliba adalah vaiabel sada. Selajuya

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

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER STATISTIK CUKUP Oleh: Ramayai Rizka M (11810101003), Dey Ardiao (1181010101), Ikfi Ulyawai (1181010103), Falviaa Yulia Dewi (1181010106), Ricki Dio Rosada (11810101034), Nurma Yuia D (11810101035), Wula

Lebih terperinci

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR PERBNDINGN METODE BUNG MJEMUK DN TURN 78 DLM MENENTUKN SIS PINJMN SETIP PERIODE PD NUITS DUE ( Sudi Kasus: Kopeasi Uiesias Islam Negei Sula Syaif Kasim Riau ) TUGS KHIR Diajuka Sebagai Salah Sau Syaa Uuk

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

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

Reliabilitas. A. Pengertian

Reliabilitas. A. Pengertian Relablas A. Pengean Relablas adalah sejauh mana hasl ujan sswa eap aau konssen da posedu penlaan (Nko, 007:66). Menuu Ellen, suau es dkaakan elabel jka sko obsevas nla awal behubungan dengan sko yang sebenanya.

Lebih terperinci

LAMPIRAN I GREEK ALPHABET

LAMPIRAN I GREEK ALPHABET LAMPIRAN I GREEK ALPHABE Α, Alpha Μ, µ Mu Ψ, Psi Β, β Ba Ν, ν Nu Ω, ω Oga. Γ, γ Gaa, δ Dla Ε, ε Epsilo Ζ, ζ Za Η, η Ea Θ, θ ha Ι, ι Ioa Κ, κ Kappa Λ, λ Labda Ξ, ξ i Ο,ο Oico Π, π Pi Ρ, ρ Rho Σ, σ Siga

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala

Lebih terperinci

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT PBANDINGAN PENAKSIR REGRESI LINI SEDHANA PADA SAMPLING BPINGKAT, SAMPLING EKSTRIM BPINGKAT DAN SAMPLING MEDIAN BPINGKAT E. W. Aitoag *, Haiso, R. Efedi Mahasiswi Pogam S Matematika Dose Juusa Matematika

Lebih terperinci

= = =

= = = = + + + = + + + = + +.. + + + + + + + + = + + + + ( ) + ( ) + + = + + + = + = 1,2,, = + + + + = + + + =, + + = 1,, ; = 1,, =, + = 1,, ; = 1,, = 0 0 0 0 0 0 0...... 0 0 0, =, + + + = 0 0 0 0 0 0 0 0 0....

Lebih terperinci

Analitik Data Tingkat Lanjut (Clustering)

Analitik Data Tingkat Lanjut (Clustering) 6 September 06 Aatk Data Tgkat Lat Csterg Imam Chossod [email protected] 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 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 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

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2 METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA Roki Nuari *, Aziskha, Edag Lily Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas

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

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

Lebih terperinci

kimia LAJU REAKSI II Tujuan Pembelajaran

kimia LAJU REAKSI II Tujuan Pembelajaran KTSP & K-13 kimia K e l a s XI LAJU REAKSI II Tujuan Pembelajaan Seelah mempelajai maei ini, kamu dihaapkan memiliki kemampuan beiku. 1. Mengeahui pesamaan laju eaksi.. Memahami ode eaksi dan konsana laju

Lebih terperinci

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

Penggunaan Sistem Samar Pada Pemodelan Tingkat Inflasi Di Indonesia

Penggunaan Sistem Samar Pada Pemodelan Tingkat Inflasi Di Indonesia Pegguaa Sstem Samar Pada Pemodea Tgkat Ifas D Idoesa Oeh : Nuug Chusu Chotmah ahasswa Program Stud atematka FIP UNY gus ama bad Staf Pegajar Jurusa Peddka atematka FIP UNY uhammad Fauza Staf Pegajar Jurusa

Lebih terperinci

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: [email protected] ABSTRAK Peramala produks d masa medaag saga

Lebih terperinci

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV Jural Wahaa Maemaka da Sas, Volume 8 Nomor, Aprl 4 77 PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV I Gus Nyoma Yud Harawa Jurusa Peddka Maemaka, Fakulas Maemaka da Ilmu Pegeahua

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

PENDUGAAN SELANG KEPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRIK KERNEL

PENDUGAAN SELANG KEPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRIK KERNEL Gust Ngua Ad Wbawa, et al//paadgma, Vol 7 No, Apl 03, lm -8 PENDUGAAN SELANG EPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRI ERNEL Gust Ngua Ad Wbawa, Badd Abap Sta Pegaja Juusa Matematka, FMIPA, Uvestas

Lebih terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

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

TINJAUAN PUSTAKA. Pra-pemrosesan Koreksi Pencaran Multiplikatif. ˆβ, kemudian. dan

TINJAUAN PUSTAKA. Pra-pemrosesan Koreksi Pencaran Multiplikatif. ˆβ, kemudian. dan 5 INJAUAN PUAKA Pa-peosesa Koeks Pecaa Mulplkaf Pa-peosesa ya eka ea peauh ya ucul akba sfa fsk a kaw cooh aau se sebu sebaa peauh pecaa eupaka ahapa pe ala oel kalbas Pa-peosesa esebu beujua uuk ehaslka

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

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge JURNAL SAINS DAN SENI IS Vol. 4, No., (015 337-350 (301-98X Pt D175 Pemodela Ideks Pembagua Mausa (IPM Povs Jawa mu Dega Megguaka Metode Reges Logstk Rdge Dw Maumee Puta da Vta Ratasa Juusa Statstka, Fakultas

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

COMPLETELY RANDOMIZED DESIGN (CRD)

COMPLETELY RANDOMIZED DESIGN (CRD) COMPLETELY RANDOMIZED DESIGN (CRD) CRD Tdak ada kea pengelompokan: Lngkungan homogen Bahan homogen (pebedaan danaa expemenal un yang mempeoleh pelakuan yang ama dalam CRD debu ebaga expemenal eo) Ala homogen

Lebih terperinci

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) .   Definisi L.2 (Kejadian lepas ) 33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil

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

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

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

Lebih terperinci

BAB 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

BAGIAN 2 TOPIK 5. andhysetiawan

BAGIAN 2 TOPIK 5. andhysetiawan BAGIAN OIK 5 adhyseiawa Isi Maeri Modulasi Aliudo AM Modulasi Frekuesi FM adhyseiawa MODULASI AMLIUDO DAN MODULASI ANGULAR SUDU Modulasi roses erubaha karakerisik aau besara gelobag ebawa, euru ola gelobag

Lebih terperinci

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINGUISTIK

MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINGUISTIK MODEL PENILAIAN ASPEK AFEKTIF AKHLAK MULIA BERBASIS DATA LINUISTIK Sr Adaya 1 T-13 1 Jurusa Peddka Maemaka FMIPA UNY [email protected] Absrak Pelaa aspek afekf d sekolah merupaka proses pegambla kepuusa

Lebih terperinci

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

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc ([email protected] & 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

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 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

JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA

JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA Achmad Samudi, M.Pd. JURUSAN PENDIDIKAN FISIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA 6. MENGUJI PROPORSI π : UJI DUA PIAK Mialka kia mempuyai populai biom dega propori periiwa A π Berdaarka ebuah ampel

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

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Ceate b Smpo PDF Ceato Po (uegstee veso) http://www.smpopf.com Statstk Bss : BAB 9 IX. ANALISIS REGRESI DAN KORELASI 9. Peahulua Metoe aalss eges a koelas kembagka utuk mempelaja pola a meguku hubuga statstk

Lebih terperinci