Pengelompokkan Zona Musim (ZOM) dengan Fuzzy K-Means Clustering (Studi Kasus :Pengelompokkan ZOM di Kabupaten Ngawi)

Ukuran: px
Mulai penontonan dengan halaman:

Download "Pengelompokkan Zona Musim (ZOM) dengan Fuzzy K-Means Clustering (Studi Kasus :Pengelompokkan ZOM di Kabupaten Ngawi)"

Transkripsi

1 Peelompoa Zoa Musm (ZOM) dea Fuzzy K-Meas Cluster (Stud Kasus :Peelompoa ZOM d Kabupate Naw) Febra Dar Palup Utam, Suto Mahasswa Jurusa Statsta FMIPA-ITS ( ) Dose Jurusa Statsta FMIPA-ITS fhe_4@statsta.ts.ac.d, suto@statsta.ts.ac.d. Abstra Baya peelta lmatolo ya bertuua membuat elompo stasu/ wlayah perraa lm. Bada Meteorolo Klmatolo da Geofsa (BMKG) telah melaua peelompoa lm (pola curah hua) dea membuat Zoa Musm (ZOM) pada tahu 009. Metode ya ser duaa dalam pembetua ZOM adalah aalss elompo (cluster aalyss). Peelta bertuua mea prosedur peelompoa ZOM da membau ZOM serta membada era ZOM d abupate Naw dea metode Fuzzy K-Meas Cluster. Metode merupaa peembaa dar metode parts ya deal dea K- meas. Kelebha dar metode Fuzzy K-meas adalah memmala masalah eaala overe ya terad pada metode K-meas. Varabel ya duaa adalah t curah hua tap stasu d Kabupate Naw. Hasl peelompoa terba daalss dea meuaa MANOVA utu meetahu apaah ada perbedaa vetor rata-rata pada elompo ya terbetu. Dar hasl aalss dapat dsmpula bahwa umlah elompo ZOM ya terbetu dea metode Fuzzy K-Meas sebaya lma ZOM da ZOM ya tersebut lebh ba dbada dea ZOM BMKG berdasara rtera S W da S B. Kata uc: Zoa Musm (ZOM), Aalss Fator, Fuzzy K-meas Cluster, MANOVA. Pedahulua Baya peelta lmatolo ya bertuua membuat elompo stasu atau wlayah praraa lm. Peuaa data elompo stasu lebh meutua darada data mas-mas dvdu stasu. Salah satu eutua data elompo stasu adalah data lebh homoe. Bada Meteorolo Klmatolo da Geofsa (BMKG) telah melaua peelompoa lm (pola curah hua) dea membuat Zoa Musm (ZOM) pada tahu 009. Pembaa zoa tda dbatas oleh wlayah admstras abupate atau ota, seha dalam satu zoa tertetu bsa mecaup beberapa abupate/ ota. Utu Props Jawa Tmur terba atas 37 ZOM da husus Kabupate Naw terba atas ZOM (www. stalmaraploso.et). Metode ya seral duaa dalam pembetua ZOM adalah aalss elompo (cluster aalyss). Aalss elompo adalah proses peelompoa obe-obe ya ddasara pada uura esamaa atau etdasamaa (Johso da Wcher, 00). Aalss elompo merupaa salah satu aalss data esplaator ya bertuua utu meetua elompo dar seelompo obe. Metode aalss elompo ya popular terdr atas metode herarh da metode parts. Aalss elompo herarh ya membetu daram dedoram dea medsrpsa peelompoa berdasara ara. Metode herarh tda dapat meelompoa lebh dar dua obe secara lasu, seha obe dea uura ya sama terhadap dua atau lebh obe laya delompoa secara aca (Johso da Wcher, 00). Masalah la pada metode herarh adalah tda mudah dterapa pada asus dea umlah obe ya saat besar. Jumlah obe ya saat besar saat sult utu dambara dalam betu daram dedoram. D samp varabel ya duaa utu peelompoa tda boleh sal depede. Metode la ya duaa utu dapat meatas permasalaha pada metode

2 herarh yatu metode parts atau basa dsebut ua dea metode o-herarh. Salah satu metode parts ya basa duaa adalah metode K-meas cluster. Metode K- meas cluster dapat dterapa pada asus dea umlah obe ya saat besar (Johso da Wcher, 00). Keuraa dar metode K-meas cluster adalah peetua umlah cluster ya pal tepat da emua teradya eaala utu overe, seha proses teras aa berlasu secara terus-meerus (Austa, 007). Peelompoa dea mempertmaa tat eaotaa ya mecaup hmpua fuzzy sebaa dasar pembobota ba peelompoa dsebut dea fuzzy cluster (Ja et al, 997). Metode fuzzy K- meas cluster merupaa peembaa dar metode K-meas cluster utu memmala masalah eaala overe (Ja et al, 997). Dea meuaa metode fuzzy K-meas cluster dperraa aa medapata ZOM ya lebh homoe. Varabel ya duaa dalam peelompoa zoa musm (ZOM) adalah t curah hua bulaa da meuaa pos-pos hua d Kabupate Naw sebaa stud asus. Utu medapata peelompoa terba daalss dea meuaa Multvarate Aalyss of Varas (MANOVA). MANOVA duaa utu meetahu apaah ada perbedaa vetor rata-rata pada elompo ya terbetu. Oleh area tu, peelta bertuua utu mea prosedur peelompoa da membau ZOM d Kabupate Naw dea fuzzy K-meas cluster. Hasl peelompoa ZOM aa dbada dea ZOM hasl BMKG.. Taua Pustaa Aalss Fator Aalss fator measumsa suatu strutur spesf tertetu dalam sebuah model utu varabel-varabel radom. Johso & Wcher (00) meataa bahwa tuua dar aalss fator adalah utu meambara hubua ovara atara beberapa varabel ya medasar tetap tda teramat, uattas radom ya dsebut fator. Secara husus aalss fator dapat dtuls sebaa berut : X µ lf + l F lmfm + ε X µ lf + lf lmfm + ε : : : X p µ p l p F + l pf l pm Fm + ε p Dea : F Commo factor e- l Load factor e- da varabel e- ε Spesfc factor e- dmaa :,,..., p da,,..., m Dalam otas matrs persamaa dapat dtuls sebaa : ( ) µ ( ) L( ) F( ) ε( ) X p p p m m + p Secara ars besar tahapa-tahapa dalam melaua aalss fator adalah. Membetu matr orelas dar matrs X ya beruura p e p p. Mehtu la eevalue da eevector dar matr orelas 3. Meambl la eevalue ya lebh besar dar 4. Membetu matrs ya berupa matrs load factor, dea rumus L λ e... λ, λ eevalue da e ee vector. 5. Setelah la load factor detahu maa selautya dapat dhtu la commualty factor: h l + l lm Hmpua Fuzzy Kosep teta hmpua fuzzy (fuzzy set hmpua abur) dpereala pertama al pada bula July 964 oleh Prof. Lotf A. Zadeh ya meyataa bahwa etdapasta dapat ddeat dea metode la sela pedeata probabltas, yatu osep hmpua fuzzy. Hmpua teas atau hmpua las merupaa hmpua dea batas ya elas. Ja X adalah umpula obe-obe ya dyataa secara umum oleh x, maa hmpua fuzzy A ~ d X ddefsa sebaa

3 hmpua pasaa terurut sebaa ~ A x; µ ~ x x X A {( ( )) } dmaa µ ~ ( x) : fus eaotaa A (membershp fucto) utu hmpua fuzzy A ~ (Ja et al, 997). Peraa hmpua fuzzy dalam elompo adalah dalam pembetua fus da tat eaotaa dar setap obe atau data dalam elompo (Pravtasar, 008). Tat e-fuzzy-a tda berasal dar eacaa aota hmpua, tetap berasal dar etdapasta da etdatepata pra serta osep ya abstra (Ja et al, 997). Fuzzy K-Meas Cluster Fuzzy K-meas cluster atau fuzzy sodata dembaa oleh Bezde pada tahu 98 utu meyelesaa masalah optmas (Austa, 007). Metode K-meas cluster meml matrs eaotaa ber yatu 0 da, sedaa fuzzy K-meas cluster meml matrs eaotaa otu atara 0 da. Pada fuzzy K-meas cluster, fus eaotaa meml la atara 0 sampa dea fus pembatas berut q l µ ;,..., Deraat eaotaa terbesar dar setap obe meuua ecederua obe tersebut mead aota dar elompo tertetu. Prsp utama dar fuzzy K-meas cluster adalah memmuma fus obetf, yatu ara atara obe dea setap pusat elompo. B q q w w µ. d µ x vl l l dea : v l pusat elompo e-l µ deraat eaotaa pada obe e- da elompo e-l w bobot (w > ) x obe e- B fus obetf Tda ada la w ya optmum, tetap la w ya ser duaa adalah (Austa, 007). Fus obetf dapat dmmuma dea fus pembatas dea meuaa peada larae 3 q q w G µ. d λ µ l l Utu medapata deraat eaotaa tap-tap obe, turua fus Larae terhadap µ sama dea ol da dperoleh µ q d w h d hl dea,..., da l,,..., q Sedaa pusat elompo dapat dperoleh dar turua fus Larae terhadap v l sama dea ol. Jad la v l dperoleh v l µ x w µ w ; l,..., q Ides XB (Xe da Be) Utu meetua baya elompo dapat dlaua dea mehtu Ides XB (Xe da Be). Ides dtemua oleh Xe da Be da pertama al demuaa pada tahu 99 (Pravtasar, 008). Ides XB dtulsa sebaa berut ( µ ) l XB (m v q h w h x v v dmaa q baya elompo, µ deraat eaotaa, d ara peamata dea pusat elompo v l pusat elompo da baya obe ya aa delompoa, serta m v v h h elompo v h da v. l ) ara mmum atara pusat Krtera baya elompo ya optmum dtuua dea la des XB ya mmum pada lembah pertama. Peuaa des XB utu meetua umlah elompo ya optmum pada metode fuzzy K-meas cluster (CHEN Duo, LI Xue da CUI Du-Wu 007) meyataa bahwa des XB meml etepata da eadala ya t utu membera umlah

4 elompo ya optmum pada metode fuzzy K- meas cluster. B+W Jumlah Kuadrat Total Terores da hasl al sla. Multvarate Aalyss of Vara (MANOVA) Multvarate Aalyss of Varace (MANOVA) merupaa te aalss ya duaa utu meu teta perbedaa beberapa vetor rata-rata populas (Johso da Wcher, 00). Model MANOVA dyataa sebaa berut x µ + τ + e dmaa,,...,,,,..., e merupaa resdual N p (0,Σ). Tabel MANOVA utu perbada vetor rata-rata populas dsaa pada Tabel berut Sumber varas Resdual Total Perlaua (Terores) Tabel Matrs Jumlah Kuadrat MANOVA Matrs Jumlah Kuadrat da hasl al sla B W Deraat bebas ( x x)( x x)' - B + W ( x x )( x x )' ( x x)( x x)' (Sumber : Johso da Wcher, 00) Statst u ya duaa adalah Wl s Lambda dea rumus sebaa berut : Λ * W B + W Tola H 0 a Λ * > F p, ( x ( x x )( x p x)( x (α) x )' x)' dmaa W Jumlah Kuadrat Dalam Perlaua da hasl al sla, B Jumlah Kuadrat Atara Perlaua da hasl al sla da Pemersaa Asums Normal Multvarat da Matr Vara Kovara Pemersaa asums ormal multvarat dlaua utu meetahu dstrbus data dar varabel depede. Utu mempermudah pemersaa dlaua pemersaa dstrbus ormal multvarat dea meuaa plot χ dea mehtu ara d (x x)'s (x x),,,..., dea x obe peamata e- da baya peamata S - vers matrs vara ovara beruura p x p. Apabla terdapat pal sedt 50% dar la d χ maa sebara data ( p;0,5) dapat dataa meut sebara dstrbus ormal multvarat atau dapat dlhat dar plot χ. Selautya pemersaa dapat dlauta dea melaua pemersaa matr vara ovara dar suatu data, varabel depede dalam hal tat curah hua tap stasu hua setap bulaya harus memeuh asums yatu meml matrs vara ovara ya sama. Utu meu ehomoea matrs vara ovara atar elompo atau rup duaa statst u Box s M (Karso, 98). H 0 : Σ Σ... Σ H : mmal ada satu Σ ya berbeda Msala S adalah suatu estmas ta bas dar Σ dea deraat bebas peamata dar populas e-. S ( ) S ( ) S dea ( )( ) T x x x x merupaa estmas dar matrs vara ovara umum da statst uya adalah M ( )l S ( )l S 4

5 p + 3 p C 6( p + )( ) ( ) da tola H 0 a MC - > 3. Metodolo Peelta χ ( / ( ) p( p+ )( α ) Data ya duaa pada peelta adalah data seuder ya dperoleh dar Bada Meteorolo Klmatolo da Geofsa (BMKG). Data mecaup data zoa curah hua bula Jauar sampa Desember d Kabupate Naw. Leta pos hua sesua lta da buur da pembaa zoa musm (ZOM) d Kabupate Naw dambara sebaa berut Gambar Zoa Musm d Kabupate Naw Dalam peelta varabel ya duaa adalah t curah hua tap stasu d Kabupate Naw. Ta tahapa aalss data, yatu :. Peelompoa ZOM d Kabupate Naw. a. Medesrpsa data curah hua ya merupaa hasl rataa dar mas-mas stasu d Kabupate Naw. b. Meredus data curah hua dea Aalss Fator. c. Membetu elompo dea metode fuzzy K-meas cluster.. Medapata ZOM baru. a. U asums multvarat ormal da u ehomoea matr vara ovara. 5 b. U esamaa vetor rata-rata atar elompo ya terbetu dea MANOVA c. Medapata ZOM baru de-a medetfas aota ZOM dea MANOVA. 3. Membada era ZOM atara ZOM BMKG da ZOM terba. a. Membada ZOM baru ya ddapat dea ZOM ml BMKG. b. Ddapat ZOM terba dea rtera la mmum Wl s Lambda. 4. Aalss da Pembahasa Desrps Umum Curah Hua d Tap Stasu Desrps curah hua duaa utu meetahu ambara t curah hua bulaa d Kabupate Naw. Tabel meyaa rasa dar curah hua melput uura pemusata, la masmum, la mmum da uura peyebara t curah hua d Kabupate Naw. Tabel Desrps T Curah Hua Bulaa d Kabupate Naw Bula M Mas Ratarata StDev Jauar 9,6 387,89 89,9 45,0 Februar 43,3 47,37 303,9 47,04 Maret 0,6 368,95 88,94 49,05 Aprl 54,7 3,65,7 4,46 Me 54,08 4,95 87,4,6 Ju 9,69 99,30 59,54 5,9 Jul 8,00 46,05 30,3 7,73 Austus 8, 49,46 7,83 9,8 September 7,75 34,00 9,69 8, Otober 8,85 55,05,88 6,90 November 60,93 96,38 7,37 38,75 Desember 03,9 336,95 63,9 36,49 Tabel meuua bahwa rata-rata curah hua pada Bula Februar adalah tert d Kabupate Naw, yatu sebesar 303,9 mm. Hal meuua Februar merupaa puca dar musm pehua. Rata-rata curah hua teredah terad Bula Austus, yatu sebesar 7,83 mm. I berart pada bula merupaa puca dar musm emarau d Kabupate Naw. Ja dlhat la

6 smpaa bau, pada Bula Maret meml smpaa bau tert, artya pada bula tersebut terdapat varas curah hua datara pos hua d Kabupate Naw. Meurut la rae, yatu selsh la mmum da masmum ya besar, dapat darta tat curah hua setap pos hua d Kabupate Naw redah. Gambar meelasa bahwa tpe curah hua d Kabupate Naw yatu tpe mosual ya berart bersfat mosu area dar ambar tersebut pola curah huaya membetu huruf U. Selautya dar Gambar dapat ddetfas bahwa musm pehua d Kabupate Naw mula Bula November Aprl, sedaa musm emarau terad pada Bula Me Otober. Gambar Rata-rata t curah hua meurut bula. Sebara curah hua d pos hua Mata sebaa cotoh dsaa dalam boxplot. Gambar 3 medasa bahwa terdapat data curah hua ya outler d Stasu Mata. Amata outler ya terbaya yatu terad pada Bula Ju - September. Hal meuua bahwa mespu pada bula-bula tersebut merupaa perode musm emarau, amu mash terad hua. Data Jauar Februar Maret Aprl Me Ju Jul Austus September Otober November Desember Gambar 3 Desrps t curah hua tap bula d stasu Mata Pada musm pehua mash terdapat amata ya outler, amu umlahya tda sebaya pada musm emarau. Sela tu, 6 dapat dlhat pula bahwa pola sebara data t curah hua stasu Mata tap bula tda meut pola sebara dstrbus ormal. Aalss Fator Peredusa varabel dlaua dea meuaa put matrs fator orelas da matrs estras ompoe utama (prcpal compoet). Utu memperelas dalam meambara araterst curah hua bulaa d Kabupate Naw dlaua rotas Varmax. Hasl load fator seleapya dsaa pada Tabel 3. Tabel 3 Nla Load fator dea Rotas Varmax Varabel/ F F F 3 F 4 Bula Jauar 0,903 0,5-0,4 0,74 Februar 0,890 0,0 0,69-0,00 Maret 0,637-0,05 0,534-0,358 Aprl 0,55-0,30 0,679 0,3 Me 0,33 0,79 0,46-0,06 Ju 0,575-0,06-0,056 0,57 Jul 0,056 0,065 0,63-0, Austus 0,00 0,0-0,40-0,839 September 0,05 0,899 0,036-0,084 Otober 0,07 0,599-0,37 0,579 November -0, 0,90 0,786 0,34 Desember 0,708 0,56 0,96-0,098 Keteraa: Ya darsr da bold mempuya la load t mas-mas fator. Tabel 3 meuua bahwa fator (F) lebh meambara musm pehua, yatu melput curah hua bula Desember, Jauar, Februar, Maret. Fator da fator 3 lebh meambara musm trass, ba trass musm emarau (Aprl, Me, da Jul) maupu musm pehua (September, Otober, da November). Semetara fator 4 lebh meambara musm emarau. Total eraama ya dapat delasa dea empat ompoe utama tersebut sebesar 78%. Fuzzy K-Meas Cluster Alorthma peelompoa dea metode fuzzy K-meas cluster sebaa berut :

7 . Meetua umlah elompo dea meuaa des XB.. Mealoasa data sesua dea umlah elompo ya dtetua sesua dea rtera des XB. 3. Mehtu pusat dar mas-mas elompo. 4. Mehtu la fus eaotaa mas-mas data e mas-mas elompo. 5. Bada la eaotaa matrs parts atau matrs fus eaotaa ( + ) ( ) (U), apabla la U U < ε maa telah overe da proses teras ( + ) ( ) dheta. Apabla U U ε maa embal e laah 3. Laah awal proses peelompoa yatu meetua umlah elompo, yatu dea meuaa batua des XB. Dlaua smulas dea umlah elompo sebaya sampa dea 6 elompo. Berdasara la XB ya mmum dperoleh umlah elompo sebaya 5 elompo, yatu sebesar,0937. Plot atara la des XB da bayaya elompo dtuua pada Gambar 4. Ides XB,6,4,,0,8,6,4,,0 Scatterplot of Ides XB vs Kelompo 3 4 Kelompo Gambar 4 Plot atara Nla Ides XB da Bayaya Jumlah Kelompo. Aota elompo mas-mas zoa musm (ZOM) adalah sebaa berut: ZOM : Beoh, Guyu, Sambroto, Padas da Beal. ZOM : Mardasr, Paro, Naw da Mata. ZOM 3 : Nrambe, Tretes da Waluu. ZOM 4 : Kedualar, Nadreo/ Sooo da Nale. 5 6 ZOM 5 : Karaat, Jooroo da Kedu uru-uru. Persebara stasu meurut elompo ZOM hasl peelom-poa dea fuzzy K- meas cluster dsaa Gambar 4.4 berut. Gambar 5 Persebara stasu meurut Zoa Musm hasl fuzzy K-meas cluster Gambar 5 datas meelasa peelompoa zoa musm (ZOM) Kabupate Naw hasl metode fuzzy K-meas cluster. ZOM dea ode, 3 da 4 telah membetu pola elompo ya elas, sedaa ZOM ode da 5 lebh meyebar. ZOM 3 ddetfas berada pada daerah peuua da ZOM da 4 ddetfas berada pada daerah datara redah (flat). Pada ZOM da 5 mas-mas terdapat satu stasu ya berada auh dar elompoya yatu Mata pada ZOM da Karaat pada ZOM 5. Beberapa emua ya tmbul sebaa abat dar terpsahya stasu Mata da stasu Karaat dar zoa musmya yatu adaya amata estrm t curah hua. Berdasara detfas melalu sebara curah hua (boxplot) Karaat da Kedu Uruuru pada bula Jul da Austus meml pola ya sama. Semetara pada Stasu Mata da Tretes terleta berdeata yatu berada d daerah peuua ya meml emrpa secara eorafs amu belum tetu dea t curah huaya. Multvarate Aalyss of Vara (MANOVA) Peua perbedaa rata-rata duaa utu melhat apaah peelompoa ya dlaua telah mehasla elompo ya mempuya perbedaa ya yata. Aalss ddasar oleh beberapa asums yatu data ya daalss 7

8 harus berdstrbus ormal multvarat da matrs vara ovara elompo ya homoe. Hasl pemersaa dstrbus ormal multvarat, dperoleh d χ dmaa χ (4;0,05) (4;0,05) 9,488 adalah sebesar 66,7%. Hasl meuua bahwa data meut dstrbus ormal multvarate. Utu pemersaa asums ehomoea matr vara ovara ZOM ya terbetu dea metode fuzzy K-meas cluster dea u Box s M tda dapat dlaua, area terdapat sedtya dua cell matr ovara osular (ada das matrs Σ tda homoe). Hasl detfas secara parsal meuua bahwa utu varabel sor fator 4 tda homoe atar ZOM. Seharusya, a tda dapat dlaua u Box s M, maa dlaua trasformas. Namu, peelompoa ya dlaua yatu dea meuaa score factor, seha tda dapat dtrasformas. Utu memersa hal maa dlaua u esamaa vara dea Bartlett. Tabel 4 dbawah meyaa la statst u da p-value hasl u Bartlett. Tabel 4 U esamaa vara dea Bartlett Score Factor 3 4 Nla 4,85 3,7,6 0,39 p-value 0,303 0,446 0,63 0,034 Score factor, da 3 meuua p-value ya lebh besar dar la α, maa aal tola H 0 berart bahwa vara utu score factor, da 3 homoe. Namu utu score factor 4 tda sfa area p-value < α 0,05 berart score factor 4 meml vara ya berbeda dea score factor ya la. Maa utu aalss selautya dea MANOVA haya meuaa score factor ya meml vara sama yatu score factor, da 3. Setelah asums ormal multvarat da ehomoea matrs vara ovara terpeuh, laah selautya ya dlaua adalah meu perbedaa rata-rata dar elma elompo dea MANOVA. Hpotess ya duaa adalah sebaa berut H 0 : τ τ... τ 0 H : mmal ada satu τ 0 8 Berdasara peua ya telah dlaua, dperoleh la wl s lambda (Λ * ) sebesar 0,04. P-value ya dperoleh cuup ecl yatu sebesar 0,000 atau p-value < 0,05 utu semua statst u dputusa utu meola H 0, seha bsa dataa bahwa terdapat perbedaa rata-rata atar elompo zoa musm (ZOM) ya terbetu. Perbada ZOM BMKG dea ZOM Baru Peelompoa zoa musm (ZOM) dea metode fuzzy K-meas cluster dperoleh 5 elompo, sedaa ZOM ml Bada Meteorolo Klmatolo da Geofsa (BMKG) meelompoa ZOM sebaya elompo. Oleh area tu detahu perbada ZOM ml BMKG dea ZOM ya dperoleh dea metode baru yatu dea rtera Wl s Lambda pada MANOVA. Utu MANOVA duaa score factor, da 3 sesua dea hasl u homoetas. Peuaa score factor ua dlaua pada MANOVA elompo ml BMKG. Utu meuua u homoetas elompo fuzzy da elompo BMKG dea ta score factor, maa hasl u Box s M dtampla sebaa berut Tabel 5 Hasl U Homoetas Kelompo Fuzzy da BMKG Kelompo Box's M F S Fuzzy 9,448,67 0,39 BMKG 7,58 0,864 0,55 Tabel 5 metuua bahwa hasl u Box s M dea la sfa utu elompo hasl fuzzy K-meas cluster sebesar 0,39 da utu elompo BMKG sebesar 0,55. Kedua la sfa tersebut lebh besar dar la α 0,05 ya berart aal tola H 0 maa dapat dsmpula bahwa matrs vara ovara dar eempat elompo ya terbetu adalah sama (homoe). Sema ecl la sfa meuua bahwa elompo ya terbetu sema homoe ya berart eraama dalam elompo sema ecl da eraama atar elompo sema besar. Oleh area tu, hasl peelompoa dea fuzzy K- meas cluster lebh ba duaa utu

9 meelompoa ZOM Kabupate Naw dea la sfa terecl. 5. Kesmpula Berdasara hasl aalss da pembahasa, maa dperoleh esmpula sebaa berut :. Hal-hal ya perlu dperhata dalam alorthma Fuzzy K-Meas Cluster adalah peetua umlah elompo. Oleh area tu duaa des XB utu membatu meetua umlah elompo ya optmum.. Peelompoa zoa musm (ZOM) Kabupate Naw meuaa metode fuzzy K-meas cluster. Meetua umlah elompo ya aa duaa pada prosedur fuzzy K-meas Cluster dea meuaa rtera des Xe da Be (des XB) da dperoleh umlah elompo ya optmum sebaya 5 elompo. Peetua aota elompo meuaa metode fuzzy K-meas cluster da dperoleh elompo ZOM sebaa berut ZOM : Beoh, Guyu, Sambroto, Padas da Beal. ZOM : Mardasr, Paro, Naw da Mata. ZOM 3 : Nrambe, Tretes da Waluu. ZOM 4 : Kedualar, Nadreo/ Sooo da Nale. ZOM 5 : Karaat, Jooroo da Kedu uru-uru. 3. Berdasara la Wl s Lambda meuua bahwa ZOM fuzzy K-meas cluster mempuya era ya lebh ba darpada ZOM BMKG. Hal dtuua dea la Wl s Lambda ZOM hasl fuzzy K-meas cluster lebh ecl darpada ZOM BMKG. Daftar Pustaa Austa, Y. (007), K-meas-Peerapa, Permasalaha da Metode Terat, Jural Sstem da Iformata, Vol. 3, hal Aom_a. (009).Cuaca da Ilm. [ ] (O-le: July, 4 th 009). Aom_b. (009). Zoa Musm Wlayah Jawa Tmur. [ ] (Ole: Otober, th 009). Buers WJ, Mller JR, De Gaetao AT.(996).Defto of Clmate Reos the Norther Plas Us a Obectve Cluster Modfcato Techque. J.Clmate 9: Duo, C., Xue, L., Du-Wu, C., (007). A Adaptve Cluster Valdty Idex for the Fuzzy C-meas, Iteratoal Joural of Computer Scece ad Networ Securty 7 No., Ja, J. S, Su, C. T., da Mzuta, E. (997). Neuro-Fuzzy ad Soft Comput, Pretce Hall, New Yor. Johso, R. A, da Wcher, D. W. (00), Appled Multvarate Statstcal Aalyss, Pretce Hall, New Yor. Karso, M. J. (98), Multvarate Statstcal Methods, Frst Edto, The Iowa State Uversty Press, Ames-Iowa. Klawo, F. da Keller, A., (997). Fuzzy Cluster ad Fuzzy Rules. Scece Joural. Noury, M., Khatam, H. R., Moet, M. T., da Bara, G., (008). Rafall-Ruoff Model Us Fuzzy Methodoloy,Joural of Appled Sceces, Vol.8, No.6, hal P, K. S ad Salm, N Optmzed Subtractve Cluster for Cluster- Based Compoud Selecto. Putraaya. Malaysa. Rearaa, Cut Meurah. (005). Modul Cuaca da Ilm Georaf elas X (sepuluh). Sara. (009). Cuaca da Ilm Georaf elas. Zo-y, X., Yo, Z., L-m, J., da We-l, H. (005), Costruct Iterpretable Fuzzy Classfcato System based o Fuzzy Cluster Ilzato, Iteratoal Joural of Iformato Techoloy, Vol., No. 6, hal

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

Lebih terperinci

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di: ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama 05-14 Ole d: http://eoural-s1.udp.ac.d/dex.php/gaussa ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR

Lebih terperinci

Optimasi Alokasi Injeksi Gas pada Banyak Sumur Gas Lift Dengan Metode Projeksi Gradient Rosen s

Optimasi Alokasi Injeksi Gas pada Banyak Sumur Gas Lift Dengan Metode Projeksi Gradient Rosen s Optmas Alas Ies Gas pada Baya Sumur Gas Lft Dea Metde Pres Gradet Rse s Suar,P.,3, Sdart, K. A. 2,3 Srear, S,3, Sew, E 2,3. Rahmawat, S. D. 3, Rza, L. S. 3,Hafez, M. 3, Putra, S.A. 4, Supryatma, D. 5,

Lebih terperinci

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

146 Pendekatan Terbaik...(Toha Saifudin)

146 Pendekatan Terbaik...(Toha Saifudin) 46 Pedeata Terba...Toha Saud Pedeata Terba datara Dstrbus Pareto, Pareto Tereeralsr da Mture-Pareto dalam Pemodela Relabltas The Best Approach belo Pareto, Geeralzed Pareto ad Mture-Pareto Relablty Modell

Lebih terperinci

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama) H. Maa Suhera,Drs.,M.S PROSEDUR PEGUJIA HIPOTESIS SEHUBUGA DEGA AKAR-AKAR LATE DARI MATRIKS KOVARIAS (Dala Aalss Kopoe Utaa) Abstra Utu ebuat espula tetag araterst populas ultvarat husuya populas varat

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

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

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

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

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

Lebih terperinci

BAB 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

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING)

Penelitian Operasional II Program Bilangan Bulat PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) Peelta Operasoal II Program Blaga Bulat 37 3 PROGRAM BILANGAN BULAT (INTEGER PROGRAMMING) 3 PENDAHULUAN : Formulas Program Blaga Bulat da Aplasya Program Lear (LP) Program Lear basa dormulasa secara matemats

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa Statsta, Faultas Matemata da Ilmu Pegetahua Alam, Isttut Teolog Sepuluh Nopember

Lebih terperinci

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi

Pemodelan Resiko Penyakit Pneumonia pada Balita di Jawa Timur Menggunakan Regresi Logistik Biner Stratifikasi JURNAL SAINS DAN SENI POMITS Vol., No., (13) ISSN: 337-35 (31-98X Prt D-5 Pemodela Reso Peyat Peumoa pada Balta d Jawa Tmur Megguaa Regres Logst Ber Stratfas Ita Novaa, Sr Pgt Wuladar da Purhad Jurusa

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

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

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

Lebih terperinci

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN

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

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

Lam piran 1 K uesioner

Lam piran 1 K uesioner LAMPIAN Lam pra K uesoer KUESIONE PENDAHULUAN Saya adalah mahasswa Uverstas Krste Maraatha Badug sedag megadaa peelta dalam pembuata Tugas Ahr. Maa saya megharapa erasamaya utu megs uesoer, saya megharapa

Lebih terperinci

Sudaryatno Sudirham. Permutasi dan Kombinasi

Sudaryatno Sudirham. Permutasi dan Kombinasi Sudaryato Sudrham Permutas da Kombas Permutas Permutas adalah bayakya peelompoka sejumlah tertetu kompoe ya dambl dar sejumlah kompoe ya terseda; dalam setap kelompok uruta kompoe dperhatka Msalka terseda

Lebih terperinci

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

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

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

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

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

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN. Latar elaag Salah atu baga petg yag tda dapat dpaha dalam eolah tgg da uverta adalah maalah peadwala mata ulah dega edala watu yag dga (prefere doe, mahawa, da bayaya ruaga yag terbata.

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

Lebih terperinci

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi

BAB 2 TINJAUAN PUSTKA. Jaringan transmisi dan jaringan distribusi pada sistem tenaga listrik berfungsi BAB TINJAUAN USTKA.. Sstem Dstrbus Jarga trasms da arga dstrbus pada sstem teaga lstr berfugs sebaga saraa utu meyalura eerg lstr yag dhasla dar pusat pembagt e pusat-pusat beba. Sstem arga dstrbus dapat

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

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

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

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2) SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

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

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat

Pemodelan Angka Pengangguran Pernah Bekerja dan Belum Pernah Bekerja di Jawa Timur Menggunakan Metode Regresi Multivariat D-390 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98X Prt) Pemodela Aga Perah Beerja da Belum Perah Beerja d Jawa Tmur Megguaa Metode Regres Multvarat Arda Nur Lathfah, da Wahyu Wbowo Jurusa

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu

Lebih terperinci

LOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b]

LOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b] PROSIING ISBN : 978 979 6353 9 4 LOCALLY AN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-UNFOR PAA [a,b] A-8 Solh, Y Suato, St Khabbah 3,,3 Jurusa Mateata, Faultas Sas da Mateata, Uverstas poegoro

Lebih terperinci

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event.

BAB II TINJAUAN PUSTAKA. analisis regresi logistik, dan analisis regresi logistik rare event. BAB II TINJAUAN PUSTAKA. Peahulua Sebelum melaua pembahasa megea permasalaha ar srps, paa Bab II aa uraa beberapa teor peujag ag perraa apat membatu alam pembahasa bab-bab selajuta. Pembahasa paa Bab II

Lebih terperinci

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2 Kaa Estmas-M (Ele) KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH Ele Dw Pradew, Sudaro Alum Program Stud Statsta FSM Uverstas Dpoegoro

Lebih terperinci

BAB II TINJAUAN PUSTAKA

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

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

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 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada

BAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

3 Departemen Statistika FMIPA IPB

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

Lebih terperinci

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni Tasra Dstrbus Aggregate Loss Asuras Mobl Megguaa Fast Fourer Trasorm FFT dalam Meetua Prem Mur Tohap Maurug *, Mas Maaohas, Program tud Matemata, Faultas Matemata da Ilmu Pegetahua Alam, Uverstas am Ratulag

Lebih terperinci

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-127

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-127 JURNAL SAINS DAN SENI IS Vol. 4, No., (05) 337-350 (30-98X Prt) D-7 ANALISIS HUBUNGAN DAN PEMODELAN LUAS PANEN PADI DENGAN INDIKAOR EL-NINO SOUHERN OSCILLAION (ENSO) DI KABUPAEN BOJONEGORO MELALUI PENDEKAAN

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

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

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

Lebih terperinci

BAB 2 LANDASAN 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

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

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNA Srps dsaja sebaga salah satu syarat utu memperoleh gelar Sarjaa Sas Program Stud Matemata Oleh Layyatus

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

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR) JURNAL SAINS DAN SENI POMITS Vol., No., (013) 337-350 (301-98X Prt) D-39 Pemodela Pedudu Ms d Jawa Tmur Megguaa Metode Geographcally Weghted Regresso (GWR) Yuata Damayat, Vta Ratasar Jurusa Statsta, Faultas

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

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

Lebih terperinci

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma JURNAL SAINS DAN SENI ITS Vol. 4, No., (15) 337-35 (31-98X Prt) D-54 Aalss Pegedala Kualtas Proses Pegatoga Seme d PT Seme Idoesa (Persero) Tb dega Pedeata Sx Sgma Ftrah Idra Cahya, Sr Mumpu Retagsh Jurusa

Lebih terperinci

Estimasi VaR Dengan Pendekatan Extreme Value * (Estimation of VaR by Extreme Value Approach)

Estimasi VaR Dengan Pendekatan Extreme Value * (Estimation of VaR by Extreme Value Approach) Estmas VaR Dea Pedeata Exteme Value Estmato of VaR by Exteme Value Appoach Suoo, Subaa 2 & Ded Rosad 3 Juusa Matemata FMIPA UNPAD Badu, e-mal : fsuoo@yahoo.com 2 Juusa Matemata FMIPA UGM Yoyaata, e-mal

Lebih terperinci