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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 Komonn Utama...Nun Nurhasanah KOMPONEN UAMA UNUK PENGENDALIAN KUALIAS SECARA SAISIK Nun Nurhasanah, Dah Saftr Alumn Program Stu Statsta FMIPA UNDIP Staf Pngaar Program Stu Statsta FMIPA UNDIP Abstract Statstcall Qualt Control s a roblm solvng tchnqu that us to chc, control, analz, brng off an rar rouct wth statstcal mthos. On of th mtho that us statstcall control qualt s Prncal Comonnt Analss. Prncal Comonnt Analss s a multvarat tchnqu that us to ruc th mnson of ata. Prncal comonnt s concrn wth lanng th varanc-covaranc structur of a st of varabls through a fw lnar combnatons of ths varabls. Statstcall qualt control wth rncal comonnts s us b constructng multvarat control charts whch consst of Ells Chart for frst two rncal comonnts an Chart for unlan rncal comonnts n Ells Chart. Kwors : Prncal Comonnt Analss, Ells Chart, Chart. Pnahuluan Untu mnngatan ualtas rou an laanan rlu lauan mrsaan ata untu mngtahu nbab aana varas. Pngnalan ualtas scara statst lauan ngan mnggunaan graf ngnal. uuan ngnalan ualtas aalah mn ngan cat trana sbab-sbab truga atau rgsran ross sman hngga nlan trhaa ross trsbut an tnaan mbtulan aat lauan sblum trlalu bana unt ang ta ssua rous []. Graf ngnal mmsahan nbab nmangan mna nbab umum an nbab husus mlalu batas ngnalan. Bla nmangan atau salahan mlbh batas ngnalan mnunuan bahwa nbab husus tlah masu alam ross an ross harus rsa untu mngntfas nbab ar nmangan atau salahan ang brlbhan trsbut. Ksalahan ang sbaban olh nbab umum braa alam batas ngnalan. Dalam ross sbana hana tra salahan ang sbaban olh nbab umum shngga scara langsung salahan trsbut aat stablan. Graf ngnal multvarat aalah graf ngnal untu ngamatan multvarat, antarana graf brbntu ls an graf. Graf brbntu ls gunaan untu arah ngnalan bvarat, atu ntfas ang trbatas aa ua varabl, sangan graf untu umlah aratrst ang lbh bsar. Paa ngamatan multvarat ngan umlah varabl ang trlalu bana, gunaan omonn utama untu ngnalan ualtas scara statst. Analss omonn utama Prncal Comonnt Analss mruaan rosur statsts untu mnaatan omonn utama ang mamu mmrtahanan sbagan nformas ang tranung aa ata asal []. uuan utama ar analss omonn utama aalah mrus ata []. Paa tulsan n aan bahas bagamana cara mnggunaan omonn utama untu ngnalan ualtas scara statst. Langah-langah ang lauan aalah mmrsa stabltas sumulan omonn utama ang bran ngan mnggunaan graf ngnal, aabla traat nguuran ang braa luar batas- 9

2 Ma Statsta, Vol., No., Jun : 9- batas ngnal maa lanutan taha brutna, atu mmrba ross agar ross alam ons stabl smua nguuran braa alam batas-batas ngnal.. Kaan or.. Analss Komonn Utama Analss omonn utama mruaan salah satu tn statsta multvarat ang aat gunaan untu mnrhanaan suatu ata, ngan cara mlauan transformas lnar shngga trbntu sstm oornat baru ngan varan masmum. Msalan traat omonn utama ngan n obsrvas. Msun omonn butuhan untu mnrangan varabltas sstm scara total, srngal varabltas n aat trangan olh < omonn utama. Dalam hal n ba omonn mauun omonn utama mmbran hamr sumlah nformas ang sama. Hal n arnaan omonn utama aat mnggantan varabl asal an ata ang smula trr ar n nguuran aa varabl mna n nguuran aa omonn utama []... Graf Pngnal Multvarat Graf ngnal multvarat antarana aalah graf brbntu ls an graf. Graf brbntu ls gunaan untu arah ngnalan bvarat, atu ntfas ang trbatas aa ua varabl. Dua varabl alam unt - gambaran sbaga suatu asangan,. Els ualtas 95% trr ar smua ang mmnuh S.5 Graf bsa gunaan untu varabl ngan umlah bsar, ta srt graf ngnal brbntu ls ang hana trbatas aa ua varabl. Lbh ar tu, tt-tt ang traat alam urutan watu aa graf lbh ba ar agram ncar an graf n mmungnan trbntuna ola an cnrungan trn. Untu tt - gunaan statst, S. Kmuan nla-nla ltaan aa sumbu- an watu/obsrvas aa sumbu-. Batas Pngnal Bawah BPB aalah an Batas Pngnal Atas BPA = ngan =,5 atau, [].. Pngonstrusan Graf Pngnal Dbran matrs varan-ovaran ang brasosas ngan vtor ranom,,...,. mml asangan nla gn - vtor gn,,,,...,, ngan. Komonn utama - aalah:,,,..., ngan: var cov,,,,...,,

3 Komonn Utama...Nun Nurhasanah Ja S = {s } aalah matrs varan-ovaran saml ngan asangan nla gn-vtor gn,,,,...,,, omonn utama - bran ngan:,,,..., mana an Varan saml otal varan saml = aalah obsrvas aa varabl,,,.,,,..., an ovaran saml,,. s Hasl ar omonn utama ang rolh aat saan alam bntu graf. Graf omonn utama aat mmrraan obsrvas sba ngcan asums normal. Komonn utama mruaan ombnas lnar ar varabl awal, shngga bralasan untu mnugana mnat normal. Graf n rlu untu mmrsa bahwa bbraa omonn utama rtama brstrbus normal ta omonn utamaomonn utama trsbut gunaan sbaga ata nut untu analss tambahan. Komonn utama-omonn utama trahr bsa mmbantu mnunuan ngan tat rraan obsrvas. Sta obsrvas aat tunuan sbaga suatu ombnas lnar: ar hmunan lnga vtor gn,,..., matrs varan-ovaran S. Karna tu, bsarna omonn utama-omonn utama trahr mnunuan sbraa ba cocoan bbraa omonn utama ang rtama. In brart brba ar olh.. q q q q.. Pmrsaan Stabltas Komonn Utama Pmrsaan stabltas omonn utama lauan ngan rosur ua-bagan, atu: a. Prosur Bagan Prtama Dbran ua omonn utama saml ang rtama, atu an. Dua omonn rtama lh arna ua omonn trsbut mnlasan roors umulatf trbsar ar total varan saml. Ja ross stabl sanang watu, aratrst ang uur hana ngaruh olh varas ang tmbulan nbab umum, maa nla-nla ar ua omonn rtama mna stabl. Bagan rtama ar rosur n aalah mmbuat graf brbntu ls untu asangan nla-nla, mana =,,,n. Varan saml ar omonn utama rtama ŷ bran ngan nla gn trbsar an varan saml ar omonn utama ua ŷ aalah nla gn trbsar ua. Dua omonn utama saml ta brorlas. Els ualtas untu n bsar mungn aan mngurang ols asangan ar nla, suaa

4 Ma Statsta, Vol., No., Jun : 9- Aabla traat asangan nla-nla, ang ta mmnuh rtasamaan ls, atu braa luar ls brart ross alam aaan ta stabl. Pnbab husus mungn tlah masu alam ross an ross harus rsa untu mngntfas nbab ar nmangan atau salahan trsbut. b. Prosur Bagan Kua Kta ross aa graf ls ta stabl, rluan graf. Graf n mmuat nformas ar omonn utama ang ta gunaan alam graf brbntu ls. Dbran vtor vas, an angga bahwa brstrbus N,, ngan atau 5 ngan aalah omonn utama oulas - ang mml rata-rata. Prraan olh ua omonn utama rtama mml bntu. Prraan n mnsaan omonn utama ang ta lasan. Dbran,...,, E aalah matrs ortogonal ang olom-olomna aalah vtor gn ar. ransformas ortogonal ar bagan ta lasan, E Ja - omonn utama trahr rolh sbaga suatu transformas ortogonal ar nugaan rror. Dasar ar graf rolh ar nugaan rror atu ar omonn utama-omonn utama trahr. Dtahu bahwa,,..., untu var an untu, cov. Abatna statst. brasaran aa - omonn utama oulas trahr, mna 6 n hana umlah uarat ar - varabl normal stanar nnn, an uga mml strbus ch-squar ngan raat bbas -.

5 Komonn Utama...Nun Nurhasanah Dalam hubunganna ngan ata saml, omonn utama an nla gn harus stmas. Kofsn ar ombnas lnar uga mngstmas omonn utama ang ta brstrbus normal bahan ta oulasna normal. Bagamanaun hal n basa lauan untu mmbuat graf brasaran statst ang mlbatan stmas nla gn an vtor gn. Batas ngnal atas ar graf aalah BPA c. Statst n aat gunaan aa ata brmns tngg. Sbaga contoh, ta = varabl uur, mnggunaan nformas ang brasal ar = = 8 mns ang tga lurus aa ua vtor gn rtama an ê... Pngnalan Nla ang Aan Datang Stlah lauan mrsaan stabltas ang lauan scara trsah aa ua omonn utama rtama an - omonn utama trahr, aan lauan rbaan agar ross stabl sanang watu. Karna strbus ch-squar gunaan untu mnuga BPA graf an ara rts untu graf bntu ls, mofas ta lag rlu untu ngnalan nla ang aan atang. Contoh nggunaan ngnalan ualtas scara statst aa ata multvarabl aat uma bang nustr ma an farmas, lbh ar varabl nalan scara brsama-sama. Pross n trmasu ross ang mlbatan varabl alam umlah ang sangat bsar. Dngan man traat lbh ar omonn utama shngga traat nla gn ang sangat cl. Pnatan altrnatf butuhan alam mbuatan graf ngnal untu mnghnar sultan ang sbaban olh mbagan uarat omonn utama ang sangat cl abat ar nla gn ang sangat cl. Untu sta obsrvas stabl, ttaan umlah uarat ar omonn utama ang ta gunaan alam graf ls aalah: U 7 ngan mmasuan E E I aa 7, rolh U U EE ang uga mruaan umlah uarat ar - omonn utama trahr. Pnggunaan aa graf ngnal aan gambaran vrsus. Batas Pngnal Bawah BPA ar graf aalah an Batas Pngnal Atas BPA atur ngan nugaan strbus srt strbus ar onstanta c aa saat varabl U ranom ch-squar mml raat bbas v. Untu nugaan ch-squar, onstanta c an raat bbas v lh untu mnsuaan rata-rata an varan saml ar,,,..., n. Scara husus n U n U cv U U

6 Ma Statsta, Vol., No., Jun : 9- s n n U U c v s U an mnntuan c, v. s U Batas Pngnal Atas BPA aalah c mana, 5 atau,. v.. Contoh Pnraan Dalam tulsan n gunaan ata catatan watu brbaga nomor lar utra cabang atlt ang ut olh 55 ngara, Data ambl ar Johnson, R.A. an Wchrn, D.W., 7. Varabl ang gunaan aalah = Catatan watu atlt lar mtr alam t, = Catatan watu atlt lar mtr alam t, = Catatan watu atlt lar mtr alam t, = Catatan watu atlt lar 8 mtr alam mnt, 5 = Catatan watu atlt lar 5 mtr alam mnt, 6 = Catatan watu atlt lar 5 mtr alam mnt, 7 = Catatan watu atlt lar mtr alam mnt, 8 = Catatan watu atlt maraton = 95 mtr alam mnt. Paa ata trsbut satuan nguuran brba mnt an t, shngga lauan onvrs satuan alam satuan catan mtr/t arna aan gunaan matrs varan-ovaran alam mbntuan omonn utama ang mmrluan satuan nguuran ang sama aa ta varabl. Slanutna lauan nghtungan nla gn ar matrs varan-ovaran. Dar 8 buah nla gn rolh 8 buah vtor gn ang brssuaan ngan nla gn masng-masng. Drolh matrs varan-ovaran sbaga brut Var =.899, var =.89, var =.668, var =.69, var 5 =.77, var 6 =., var 7 =.95, var 8 =.9. Varan ang trbsar bran olh varabl 7 an varan trcl bran olh varabl. Cov, = cov, =.797, cov, = cov, =.6, cov, = cov, =.565, cov, 5 = cov 5, =.69, cov 5, 6 = cov 6, 5 =.799. Sluruh nla cov, ngan = =,,...,8 aat lhat aa matrs varanovaran brut n: S

7 Komonn Utama...Nun Nurhasanah Nla gn ar matrs varan-ovaran ang rolh urutan ar ang trbsar hngga ang trcl. Nla gn an vtor gn ang brssuaan trlhat aa abl. Var ê ê abl. Nla Egn an Vtor Egn ê ê ê ê Kontrbus ta omonn utama htung ngan rumus: % 8 8 Drolh = = Kontrbus ta omonn utama KU aalah:.565 KU = % = 8 % = 8.97%.6899 KU = 8 % KU = 8 % KU = 8 % KU 5 = 5 8 % 5.8 = % =.6% = % =.79% = % =.5% = % =.99% ê 7 ê 8 5

8 - - - Ma Statsta, Vol., No., Jun : 9- KU 6 = 6 8 % KU 7 = 7 8 % KU 8 = 8 8 %.59 = % =.86% = % =.6% = % =.9%.6899 Dar hasl rhtungan ontrbus masng-masng omonn utama aat lhat bahwa omonn utama rtama mamu mnrangan 8.97% +.6% = 9. % ar varan total. Dua omonn utama rtama suah aat mnlasan 9. % ragaman, maa untu slanutna ua omonn utama n suah laa gunaan sbaga varabl baru alam mbntuan graf ngnal brbntu ls. Dua omonn utama saml ang rtama, atu Stlah rolh omonn utama, langah slanutna aalah mlauan mrsaan stabltas omonn utama. ahaan ang lauan aalah mmbuat graf ngnal ls untu ua omonn utama rtama an graf untu nam omonn utama ang trssa. Dar ua omonn utama rtama rolh batas ngnal ls: = mana = 5.99 ngan =.5, rolh graf ls sbaga brut: 6 Graf Els Gambar. Graf Pngnal Els Paa Gambar, tama aa tt luar ls. Hal n mngnasan aana tastablan alam ross, nbab husus mungn tlah masu alam ross an ross harus rsa untu mngntfas nbab ar nmangan atau salahan trsbut. Ktga tt trsbut aalah tt-tt aa obsrvas -, 6 an 55. 6

9 Komonn Utama...Nun Nurhasanah Slanutna aan lhat, bagamana graf ngnal ang mnggunaan nam omonn utama trahr sbaga varablna. Untu tu gunaan graf, nam omonn utama trsbut htung ngan mnggunaan statst: ngan Batas Pngnal Bawah BPB = an Batas Pngnal Atas BPA = Brasaran trangan trsbut rolh graf aa 6 Gambar. =. 5 L m t s For n=: S q u a r UCL=. 6 =7. LCL= Subgrou I n SAMPLE =. 5 L m t s For n=: S q u a r UCL=. 6 =7. LCL= Subgrou I n SAMPLE Gambar. Graf Dar Gambar tahu aa obsrvas ang braa luar batas ngnal, atu obsrvas -, an 6. 6 omnan aa obsrvas -, an ofsn ang omnan aa ê 6 aalah catatan watu atlt lar mtr an catatan watu atlt lar mtr. Dngan man Ngara Coo Islan rlu mlauan valuas atau tnaan rbaan scara tn aa atlt lar mtr an mtr utra. 7

10 Ma Statsta, Vol., No., Jun : 9-7 omnan aa obsrvas -, an ofsn ang omnan aa ê 7 aalah 5 catatan watu atlt lar 5 mtr an 6 catatan watu atlt lar 5 mtr. Dngan man Ngara Grc Yunan rlu mlauan valuas atau tnaan rbaan scara tn aa atlt lar 5 mtr an 5 mtr utra. omnan aa obsrvas -6, an ofsn ang omnan aa ê aalah catatan watu atlt lar mtr an catatan watu atlt lar 8 mtr. Dngan man Ngara Maurtus rlu mlauan valuas atau tnaan rbaan scara tn aa atlt lar mtr an 8 mtr utra. Stlah mngtahu aana tastablan ross, maa lauan ngnalan ualtas scara statst ngan mmbuang obsrvas ang braa luar ls, atu obsrvas -, 6 an 55. Dngan man obsrvas brurang mna 5 obsrvas. Hal n brabat aatanna omonn utama ang baru. Dar ua omonn utama rtama rolh batas ngnal ls, atu: = mana = 5.99 ngan =.5, rolh graf ngnal ls sbaga brut: Gambar. Graf Pngnal Els Paa Gambar tama aa tt luar ls. Hal n mngnasan mash aana tastablan alam ross, nbab husus mungn tlah masu alam ross an ross harus rsa untu mngntfas nbab ar nmangan atau salahan trsbut. Slanutna aan lhat, bagamana graf ngnal ang mnggunaan nam omonn utama trahr sbaga varablna. Untu tu gunaan graf. Knam omonn utama trsbut htung ngan mnggunaan statst: ngan Batas Pngnal Bawah BPB = an Batas Pngnal Atas BPA = Drolh graf ngnal aa Gambar. 6 Dar Gambar tahu aa obsrvas ang braa luar batas ngnal, atu obsrvas - an 6. 7 omnan aa obsrvas -, an ar lamran 5 aa 8

11 Komonn Utama...Nun Nurhasanah Egn Vtor ofsn ang omnan aa ê 7 aalah catatan watu atlt lar mtr. Dngan man Ngara Grc rlu mlauan valuas atau tnaan rbaan scara tn aa atlt lar mtr utra. 5 omnan aa obsrvas -6, an aa Egn Vtor ofsn ang omnan aa ê 5 aalah catatan watu atlt lar 8 mtr. Dngan man Ngara Isral rlu mlauan valuas atau tnaan rbaan scara tn aa atlt lar 8 mtr utra. =. 5 L m t s For n=: S q u a r UCL=. 6 =7. LCL= Subgrou I n SAMPLE =. 5 L m t s For n=: S q u a r UCL=. 6 =7. LCL= Subgrou I n SAMPLE Gambar.. Graf. Ksmulan Pngnalan ualtas scara statst ngan mnggunaan omonn utama aat mnts salahan atau nmangan scara statst. Slanutna stlah lauan ngnalan ualtas scara statst aat lauan valuas atau tnaan rbaan scara tn ssua ngan asus ang haa. 9

12 Ma Statsta, Vol., No., Jun : 9- DAFAR PUSAKA. Johnson, R.A. an Wchrn, D.W., Al Multvarat Statstcal Analss, Sth Eton, Prntc-Hall Intrnatonal, Inc., Nw Jrs,.. Montgomr, D.C., Introucton to Statstcal Qualt Control, Ffth Eton, John Wl & Sons, Inc., Nw Yor, 5.. Sartono, B.,., Analss Pubah Gana, Dartmn Statsta, Insttut Prtanan Bogor, Bogor,.. Sr Haratm, K., Mto Statsta Multvarat, Dartmn Pnan an Kbuaaan Unvrstas rbua, Jaarta, 988.

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

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

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

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

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhus, Dva Wdyananto,dan Brnadta Dsnova Kr Cntr of Ald Mathmatcs (CAM), Program tud Matmatka

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

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

Lebih terperinci

Metode Elemen Hingga dan Elemen Batas untuk Antena Celah pada Pemandu Gelombang

Metode Elemen Hingga dan Elemen Batas untuk Antena Celah pada Pemandu Gelombang JTETI, Vol. 4, o., M 5 Mto Elmn ngga an Elmn Batas untu ntna Clah paa Pmanu Glombang Iswan bstract In th hghr frqunc rang, th wall-thcnss causs mor ffcts to th charactrstc of slott wavgu antnna. Ths papr

Lebih terperinci

PENERAPAN PERSAMAAN SCHRODINGER PADA PERMASALAHAN PARTIKEL BEBAS DALAM RUANG TIGA DIMENSI

PENERAPAN PERSAMAAN SCHRODINGER PADA PERMASALAHAN PARTIKEL BEBAS DALAM RUANG TIGA DIMENSI 76 PNAPAN PSAMAAN SHODING PADA PMASALAHAN PATIKL BBAS DALAM UANG TIGA DIMNSI A Patl Bbas Dala Koonat atsus :,,,, 6,, 6 Substtusan saaan 6 ala saaan 6, olh: + + 63 ngan: h K 64 Slanjutna ua uas s63 asng-asng

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

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

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

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

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam

Lebih terperinci

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

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

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA)

PROPERTY DAN PERDAGANGAN SEBAGAI SEKTOR DOMINAN PADA DATA BURSA SAHAM DENGAN PRINCIPAL COMPONENT ANALYSIS (PCA) PROPERY DAN PERDAGANGAN EBAGAI EKOR DOMINAN PADA DAA BURA AHAM DENGAN PRINCIPAL COMPONEN ANALYI (PCA) Hanna A Parhu, Dva Wdyananto,dan Brnadta Dnova Kr Cntr of Ald Mathmatc (CAM), Program tud Matmatka

Lebih terperinci

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

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

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

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

Lebih terperinci

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN

Jurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN Jural EKSPONENSIAL Volum 7, Nomor, Nombr 06 ISSN 085-789 Prbadga Hasl Klasfas Mgguaa Rgrs logst da Aalss Dsrma Kuadrat Pada Kasus Pglasfasa Jurusa D SMA Ngr 8 Samarda Tahu Aara 04/05 Comarso of Classfcato

Lebih terperinci

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

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

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

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

Lebih terperinci

Analisis Variansi Multivariat

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

Lebih terperinci

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

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

Lebih terperinci

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE

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

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

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

Lebih terperinci

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

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

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

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

Lebih terperinci

PENGUKURAN BULLWHIP EFFECT DENGAN MODEL AUTOREGRESSIVE

PENGUKURAN BULLWHIP EFFECT DENGAN MODEL AUTOREGRESSIVE PENGUKURAN BUWHIP EFFECT ENGAN MOE AUTOREGRESSIVE Ta Talha Program Su Tknk Inusr, Fakulas Tknk Unvrsas an Nuswanoro Jalan Nakula I No. 5- Smarang E-mal : a@osn.nus.ac. Absrak Kurangnya nformas apa mnmbulkan

Lebih terperinci

BAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan

BAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan BAB III MODEL LINEAR TERGENERALISASI 3.1 Moel Lnear Perkembangan pemoelan stokastk, terutama moel lner, apat katakan mula paa aba ke 19 yang asar oleh teor matematka yang elaskan antaranya oleh Gauss,

Lebih terperinci

BAB 2 LANDASAN TEORI

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

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

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

Lebih terperinci

OLEH: DESTRIYANTI TRI BUDIARTI YULLIA HESTIANA IRWAN SEPTEMBER GUNAWAN

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

Lebih terperinci

BAB 4 IMPLEMENTASI DAN EVALUASI

BAB 4 IMPLEMENTASI DAN EVALUASI 65 BAB IMPLEMENTASI DAN EVALUASI. Penyaan Data Hasl Peneltan Data-ata hasl peneltan yang gunakan alam pengolahan ata aalah sebaga berkut: a. ata waktu kera karyawan b. ata umlah permntaan konsumen c. ata

Lebih terperinci

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

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

Lebih terperinci

I. SIFAT SIFAT UMUM TANAH

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

Lebih terperinci

Bab III. Plant Nonlinear Dengan Fase Nonminimum

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

Lebih terperinci

FUNGSI EKSPONEN, TRIGONOMETRI DAN HYPERBOLIK BAB I FUNGSI EKSPONEN

FUNGSI EKSPONEN, TRIGONOMETRI DAN HYPERBOLIK BAB I FUNGSI EKSPONEN BAB I FUNGSI EKSPONEN Dfinisi Fungsi ksponn aalah fungsi f yang mnntukan k. Rumusnya ialah f(. Fungsi ksponn ngan pubah bbas + yi ( an y bilangan ral aalah (cos y + i sin y. Dari finisi ini, jika : y 0

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

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

Lebih terperinci

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

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

Lebih terperinci

BAB II DIMENSI PARTISI

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

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

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

Lebih terperinci

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL

ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIAL Jural Matmata Mur da Traa Vol5 No Dsmbr : 4-5 ESTIMASI PARAMETER PADA DISTRIBUSI EKSPONENSIA Ry Aula Hj Noor Fajrah Nur Salam Proram Stud Matmata Faultas MIPA Ulam Bajarbaru Kalsl ABSTRAK Estmas tt dar

Lebih terperinci

Ensembel Kanonik Klasik

Ensembel Kanonik Klasik nsmbl Kanonik Klasik Mnghitung Banyak Status Kaaan Sistm Misal aa ua sistm A an B yang bolh brtukar nrgi tai tiak bolh tukar artikl. Misal status kaaan an nrgi masing-masing sistm aalah sbb: Status A nrgi

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN. Solusi Numri Modl H-R dngan RKF Modl H-R ang trbntu dari tiga prsamaan diffrnsial ord satu ang saling brhubungan atau tropl. Prsamaan trsbut brsifat autonomous ang brarti brdiri

Lebih terperinci

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan

INTERFERENSI DAN DIFRAKSI. Mata Kuliah: Gelombang & Optik Dosen: Andhy Setiawan TRFRS DA DFRAKS Maa Kulah: Glombang & Opk Dosn: Anhy Sawan A. nfns nfns mupakan ppauan ua aau lbh glombang sbaga akba blakunya pnsp supposss. nfns ja bla glombang glombang sbu kohn, yau mmpunya pbaan fas

Lebih terperinci

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA Hars Bhat Prasetyo, Dan Handayan, Wdyant Rahayu JURUSAN MATEMATIKA FMIPA-UNIVERSITAS NEGERI

Lebih terperinci

Partial Least Squares (PLS) Generalized Linear dalam Regresi Logistik

Partial Least Squares (PLS) Generalized Linear dalam Regresi Logistik Partial Last Squars (PLS) Gnralizd Linar dalam Rgrsi Logistik Rtno Subkti Jurusan Pndidikan Matmatika FMIPA UNY Abstrak Kasus multikoliniritas sringkali diumai dalam rgrsi yang mngakibatkan salah intrrtasi

Lebih terperinci

Analisis Sensitivitas

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

Lebih terperinci

BAB V DISTRIBUSI PROBABILITAS DISKRIT

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

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal

Pemodelan dan Pemetaan Rata-rata Usia Kawin Pertama Wanita di Provinsi Jawa Timur dengan Pendekatan Regresi Logistik Ordinal Pmodlan dan Pmtaan Rata-rata Usia Kawin Prtama Wanita di Provinsi Jawa Timur dngan Pndatan Rgrsi Logisti Ordinal Ang Kusumaningtyas P. Ananto, Dr. Vita Ratnasari, S.Si, M.Si Jurusan Statistia, Faultas

Lebih terperinci

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK

KORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas

Lebih terperinci

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL)

MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) MODEL INDEKS TUNGGAL (SINGLE INDEX MODEL) 1. Konse Dasar Sngle Index Model. Forula SIM untuk Sekurtas 3. SIM untuk Sekurtas Tunggal 4. SIM untuk Portofolo 5. Portofolo Otal Berdasarkan SIM Munya Alteza

Lebih terperinci

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3,

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3, Kpdulian trhadap sanitasi lingkungan diprdiksi dari tingkat pndidikan ibu dan pndapatan kluarga pada kluarga sjahtra I klurahan Krtn kcamatan Lawyan kota Surakarta Olh : Bustanul Arifin K.39817 BAB IV

Lebih terperinci

PENENTUAN UKURAN SAMPEL UNTUK SURVEY PILKADA MENGGUNAKAN PENDEKATAN BAYES

PENENTUAN UKURAN SAMPEL UNTUK SURVEY PILKADA MENGGUNAKAN PENDEKATAN BAYES Prosng Semnar Nasonal Matematka an Penkan Matematka (SESIOMADIKA) 017 ISBN: 978-60-60550-1-9 Statstka, hal. 14-18 PENENTUAN UKURAN SAMPEL UNTUK SURVEY PILKADA MENGGUNAKAN PENDEKATAN BAYES NENENG SUNENGSIH

Lebih terperinci

MODEL DINAMIS RANTAI MAKANAN TIGA SPESIES

MODEL DINAMIS RANTAI MAKANAN TIGA SPESIES MODL DINAMIS RANTAI MAKANAN TIGA SPSIS Wj Bu Pratkno an Sunarsh Program Stu Matmatka FMIPA UNDIP Jl. Prof. Soarto SH Smarang 575 Astract. Thr spcs foo chan mols ar mol that xprss th ntracton of thr populatons

Lebih terperinci

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

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

Lebih terperinci

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit.

(1) dengan yi = 0,1. Kata Kunci regresi logistik biner, model logit dan probit, orientasi pasar, usaha kecil menengah, industri produk kulit. Prbadga Modl Logt da Probt Utu Mgaalss Fator-Fator yag Mmgaruh Draat Ortas Pasar Usaha Kcl Mgah (Stud Kasus d Stra Idustr Produ Kult d Kabuat Sdoaro Ryo Fbrawa, Luca Ardat da Wbawat Jurusa Statsta, Faultas

Lebih terperinci

Filosofi Dasar. Konsep Dasar Susunan Antena. Superposisi Medan Listrik. Oleh : Nachwan Mufti Adriansyah, ST, MT

Filosofi Dasar. Konsep Dasar Susunan Antena. Superposisi Medan Listrik. Oleh : Nachwan Mufti Adriansyah, ST, MT Oulin TTG3D3 Anna Mul#4a Anna an Prpagasi Knsp Dasar Susunan Anna Olh : Nachwan Mufi Ariansah, ST, MT Filsfi Dasar: Suprpsisi Man Lisrik Susunan Sumbr Tiik Isrpis Prinsip Prkalian Diagram an Sinsa Paa

Lebih terperinci

Analysis of Covariance (ANACOVA)

Analysis of Covariance (ANACOVA) Analss of Covarance ANACOVA Bett Kash Paramtha Ihda Ihsana Gempur Safar Oleh: La Ftran Muhammad Alawdo Erma Aprlana Eka Setanngsh Prof Dr Sr Haratm Kartko Program Stud Statstka FMIPA Unverstas Gadah Mada

Lebih terperinci

Bab III Model Estimasi Outstanding Claims Liability

Bab III Model Estimasi Outstanding Claims Liability Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

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

Lebih terperinci

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

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

Lebih terperinci

Solusi Persamaan Schrodinger 1-dimensi untuk Potensial Deng Fan MenggunakanKonstruksi Supersimetri

Solusi Persamaan Schrodinger 1-dimensi untuk Potensial Deng Fan MenggunakanKonstruksi Supersimetri ISSN: 57-533X Solusi Prsamaan Shroingr 1-imnsi untuk Potnsial Dng Fan MnggunakanKonstruksi Suprsimtri 1. Wahyulianti, A. Suparmi, C. Cari 1, Program Stui Ilmu Fisika Pasasarjana Univrsitas Sblas Mart,

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

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

Lebih terperinci

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

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

Lebih terperinci

IMPLEMENTASI MODEL PENGUKURAN BULLWHIP EFFECT MENGGUNAKAN MODEL MA(1)

IMPLEMENTASI MODEL PENGUKURAN BULLWHIP EFFECT MENGGUNAKAN MODEL MA(1) IMPEMENTASI MOE PENGUKURAN BUWHIP EFFECT MENGGUNAKAN MOE MA() Ta Talha Jurusan Tknk Inusr Fakulas Tknk Unvrsas an Nuswanoro Jalan Nakula I No. 5- Smarang Emal : a@osn.nus.ac. Absrac In supply chan managmn

Lebih terperinci

PENGKAJIAN BEBERAPA ALGORITMA UNTUK MENGEVALUASI DAN MENGHITUNG LOSSES ENERGI PADA SISTEM DISTRIBUSI TENAGA LISTRIK

PENGKAJIAN BEBERAPA ALGORITMA UNTUK MENGEVALUASI DAN MENGHITUNG LOSSES ENERGI PADA SISTEM DISTRIBUSI TENAGA LISTRIK PENGKAJIAN BEBERAPA AGORITMA UNTUK MENGEVAUASI DAN MENGHITUNG OSSES ENERGI PADA SISTEM DISTRIBUSI TENAGA ISTRIK Hamzah Hlal Jl. MH. Thamrn No. 8 Geung II anta 0,, PTKKE-Deput Bang TIEM BPPT E-mal: taura889@yahoo.com

Lebih terperinci

Jurusan Teknik Sipil, Universitas Riau, Jl. Subrantas KM 12.5 Pekanbaru

Jurusan Teknik Sipil, Universitas Riau, Jl. Subrantas KM 12.5 Pekanbaru KINERJA STRUKTUR GEDUNG BERATURAN DUAL SYSTEM (CONCRETE FRAME RC ALL STRUCTURES) MENGGUNAKAN METODE DIRECT DISPLACEMENT BASED DESIGN DAN CAPACITY SPECTRUM METHOD Raja Parulan Purba 1), Zulkar Djauhar ),

Lebih terperinci

BAB IV TURUNAN FUNGSI. Setelah mengikuti pokok bahasan ini mahasiswa diharapkan mampu menentukan turunan fungsi yang diberikan.

BAB IV TURUNAN FUNGSI. Setelah mengikuti pokok bahasan ini mahasiswa diharapkan mampu menentukan turunan fungsi yang diberikan. BAB IV TURUNAN FUNGSI Sla kia mmbaas i an kkoninuan fungsi paa bab sblumna, kia akan mmbaas nang urunan ang konspna ikmbangkan ari konsp i Pmbaasan urunan ibagi mnjai ua bagian, bagian prama mmbaas pngrian,

Lebih terperinci

ANALISIS PREVENTIVE MAINTENANCE JIG WELDING PADA PROSES PERAKITAN SUPPORT ASSY CLUTCH PEDAL

ANALISIS PREVENTIVE MAINTENANCE JIG WELDING PADA PROSES PERAKITAN SUPPORT ASSY CLUTCH PEDAL Analss Preventve Mantenance Jg Welng Paa Proses Peratan Support Assy Clutch Peal Untu Mobl ANALISIS PREVENTIVE MAINTENANCE JIG WELDING PADA PROSES PERAKITAN SUPPORT ASSY CLUTCH PEDAL UNTUK MOBIL TOYOTA

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

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

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

Lebih terperinci

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS

PEMODELAN MATEMATIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANTAR PANAS PEMODELAN MAEMAIK PINDAH PANAS DAN MASSA PADA PENGGORENGAN DENGAN PASIR SEBAGAI MEDIA PENGHANAR PANAS Mathmatcal Modlng of Hat and Mass ransfr on Fryng by Usng Sand as A Mdum for ransfrng Hat Sswantoro

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

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

Lebih terperinci

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial

Perhitungan Premi dengan Asumsi Waktu Antar Klaim Berdistribusi Eksponensial Prhungan Pr dngan Asus Wau Anar Kla Brdsrbus Esponnsal Fahauz Zuharoh Jurusan Pnddan Maaa, STKIP, YPUP Maassar Info: Jurnal MSA Vol. 2 o. Eds: Januar Jun 24 Arl o.: 3 Halaan: 5-22 ISS: 2355-83X Prod Maaa

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang

Lebih terperinci

Neutrino Majorana dan Osilasinya

Neutrino Majorana dan Osilasinya Nrno Majorana dan Oslasnya Dosn Pmbmbng ; Ags Prwano D.S Olh ; Mahndra Sara H 8 4 Jrsan Fsa Falas Mamaa dan Ilm Pngahan Alam Ins Tnolog Slh Nombr Srabaya Fsa-FMIPA ITS Srabaya aar Blaang 9 : Nrno rama

Lebih terperinci

5 Model sebaran pergerakan

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

Lebih terperinci

II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

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

Lebih terperinci

Fungsi dan Grafik Diferensial dan Integral

Fungsi dan Grafik Diferensial dan Integral Sudarano Sudirham Sudi Mandiri Fungi dan Grafik Difrnial dan Ingral Sudarano Sudirham, Fungi dan Grafik, Difrnial dan Ingral Darublic 6 Pramaan Difrnial Ord Dua 6.. Pramaan Difrnial Linir Ord Dua Scara

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

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

Lebih terperinci

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

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

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

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

Lebih terperinci

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

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

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-305

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-305 JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prnt) D-305 Analss Pola Hubungan Kerugan Negara Abat Korups dengan Demograf Koruptor d Jawa Tmur Amla Frda Rahmana, Sant Puter Rahau Jurusan

Lebih terperinci

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2 Kaa Kovrgs Barsa Ruag Norm-(-) Dga KAJIAN KONVERGENSI BARISAN RUANG NORM-(-) DENGAN Faratul Masruroh Era Aprla Sao 3 Jurusa Matmatka FMIPA Isttut Tkolog Spuluh Nopmbr Surabaa 3 Jl. Arf Rahma Hakm Kampus

Lebih terperinci

KOMPUTASI DAN DINAMIKA FLUIDA

KOMPUTASI DAN DINAMIKA FLUIDA KOMPUTASI DAN DINAMIKA FLUIDA TUGAS Olh RIRIN SISPIYATI NIM : 006003 Program Studi Matmatia INSTITUT TEKNOLOGI BANDUNG 009 Ercis 40 Ta as initial spctrum a bloc function nonzro for ½. Animat th initial

Lebih terperinci

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )

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

Lebih terperinci

ANALISIS SAMBUNGAN PAKU

ANALISIS SAMBUNGAN PAKU 4 ANALISIS SAMBUNGAN PAKU Alat sambung paku masih sring ijumpai paa struktur atap, ining, atau paa struktur rangka rumah. Tbal kayu yang isambung biasanya tiak trlalu tbal brkisar antara 0 mm sampai ngan

Lebih terperinci

ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)

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

Lebih terperinci

Ringkasan Materi Kuliah METODE-METODE DASAR PERSAMAAN DIFERENSIAL ORDE SATU

Ringkasan Materi Kuliah METODE-METODE DASAR PERSAMAAN DIFERENSIAL ORDE SATU Ringkasan atri Kuliah ETODE-ETODE DASAR PERSAAAN DIFERENSIAL ORDE SATU Pndahuluan Prsamaan dirnsial adalah prsamaan ang mmuat turunan satu atau bbrapa) ungsi ang takdiktahui skipun prsamaan sprti itu harusna

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bbrapa tor yag dprlua utu mduug pmbahasa dataraya adalah rgrs lar brgada, mtod uadrat trcl (MKT), pguja asums aalss rgrs, outlr, rgrs robust, ofs dtrmas, bradow pot. A. Rgrs Lar Brgada

Lebih terperinci

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

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

Lebih terperinci

Penerapan Algoritma Respon Immune pada Sistem Kontrol Suhu

Penerapan Algoritma Respon Immune pada Sistem Kontrol Suhu Prosng SENIA 009 Poltn Ngr Malang Pnraan Algortma Rson Immun aa Sstm ontrol Suhu S Nurcahyo, S.. n Eltro Pascasarjana Unvrstas Brawjaya Malang snur@yahoo.com ABSRA ulsan n mmbahas nraan algortma Rson Immun

Lebih terperinci

8. Fungsi Logaritma Natural, Eksponensial, Hiperbolik

8. Fungsi Logaritma Natural, Eksponensial, Hiperbolik 8. Fungsi Logaritma Natural, Eksponnsial, Hiprbolik 8.. Fungsi Logarithma Natural. Sudaratno Sudirham Dfinisi. Logaritma natural adalah logaritma dngan mnggunakan basis bilangan. Bilangan ini, sprti halna

Lebih terperinci

BAB II LANDASAN TEORI

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

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

KONSTRUKSI RUANG TOPOLOGI LENGKAP

KONSTRUKSI RUANG TOPOLOGI LENGKAP KONSTRUKSI RUANG TOPOLOGI LENGKAP Sely Msdalfah Jsan Matemata FMIPA Unestas Tadlao Absta Hmpnan A mepaan semmet-semmet dpelas tedefns atas hmpnan X yang menghaslan sat eseagaman atas X yang aan membangn

Lebih terperinci